路面裂纹反应了公路路面质量的好坏,直接影响着行车安全和公路的使用寿命。及早的检测出路面裂纹并及时维护,可以有效的避免裂纹的进一步恶化。因此,研究道路裂纹的检测算法对保障公路路面承载能力、提高车辆的行驶平顺性等具有重要的意义。道路裂纹图像存在噪声多、拓扑结构复杂的特点,探索出能准确分割裂纹区域的算法,具有一定挑战性。首先,本文根据道路裂纹的边缘包含了丰富的局部结构形式的特点,提出一种基于梯度提升决策树的道路裂纹检测算法,以固定大小的图像块作为训练样本,提取特征,并降维作为输入特征向量,同时将对应人工标注的实际边缘映射为分数,作为样本标签,采用梯度提升决策树的学习方法训练模型,将广泛种类的裂纹边缘存储到每棵树的结点上。待检测时,将训练得到的模型独立的计算图像中每个像素是裂纹的可能性,然后组合为全局推理,去除噪声点,即可完成道路裂纹的检测结果。然后,本文将全卷积神经网络的深度学习方法引入到道路裂纹的检测中,使用卷积神经网络提取图像的深层抽象特征,并进行高层语义特征与低层细节特征的融合,再通过减少反卷积步长、增加反卷积的层数,通过反卷积运算对融合后的特征进行插值重构后得到分割结果。与传统分割方法相比,该全卷积神经网络模型可以充分学习到道路裂纹图像中的空间信息,实验结果证明了该算法的准确性和有效性。最后,对本文的研究工作作出总结,并指出今后需要进一步努力的方向。