目前路面裂缝自动化检测主要以相机拍摄的路面二维图像为研究对象,检测结果难免受到拍摄角度、光照等因素的影响。随着数据采集设备与计算机技术的发展,激光点云数据也逐渐被用于检测路面裂缝。相较于传统二维图像,激光点云数据具有抗干扰性强等优点。本文以扫描车行驶过程中采集的激光点云数据为研究对象,在对激光点云数据进行预处理后,分别对基于区域生长的路面裂缝分割模型、基于Mask R-CNN拓展的路面裂缝检测模型展开研究,并基于检测结果评价路面技术状况。首先,对采集的激光点云数据进行预处理。论文结合激光点云数据优点与二维图像优点,将激光点云数据转换为二维图像。针对图像中无效点较多的问题,提出自适应裁剪算法与无效点填补算法。根据图像中裂缝与噪声的特点,利用算法增强裂缝信息并减少噪声信息。其次,构建基于区域生长的路面裂缝分割模型。论文依据路面裂缝图像的特点,以区域生长算法为出发点,定义裂缝种子、裂缝生长规则、裂缝连接规则与噪声去除规则。通过组合应用各项规则,构建路面裂缝分割模型。测试结果表明该模型具有较高的分割性能。该模型不需要预先在大量图像样本上训练,能够在样本集较小的情况下取得良好的分割效果。随后,构建基于Mask R-CNN拓展的路面裂缝检测模型。论文对比了R-CNN系列模型与YOLO系列模型,结合裂缝检测需求提出以Mask R-CNN模型为基础构建路面裂缝检测模型。针对模型生成的部分掩膜质量不高的问题,提出结合Mask R-CNN定位精度高与基于区域生长的裂缝分割模型分割性能高的优点,拓展Mask R-CNN模型。实验结果表明拓展后的Mask RCNN模型生成的掩膜质量更高,能够达到良好的检测效果。模型精确率为0.9135,召回率达到0.9363,F1值达到0.9248,m AP为0.9160。拓展后的Mask R-CNN模型具有比基于区域生长的路面裂缝分割模型更强的鲁棒性,但需要大量带有标注信息的图像样本作为性能保障。最后,评价路面技术状况。论文以基于区域生长的路面裂缝分割模型和基于Mask R-CNN拓展的路面裂缝检测模型分割出的裂缝为研究对象,对裂缝进行分类以及相关参数计算,依据标准评价路面裂缝损坏程度。综上,论文以在南京市吉印大道和将军大道采集的激光点云数据为研究对象,对基于激光点云数据检测路面裂缝的全过程进行了研究与实现,取得了良好的检测效果,为路面裂缝检测提供了新的思路,为制定养护计划与措施提供了决策依据。