近年来,随着我国公路建设的蓬勃发展,对路面道路管理维护的规模也随之迅速增长。而其中公路尤其是高速公路因长期投入运行,路面很容易形成裂缝危害,造成交通安全隐患。目前,仅仅通过人工识别检测方式或者单一的图像处理检测方法早已不能满足日前路面裂缝检测的发展速度,而且存在一定的误差。如何实时准确地识别、检测定位出路面中存在的裂缝目标并当下予以修复是当前亟待解决的问题。目前对于路面图像的分类主要基于特征提取并采用机器学习分类器的方法。但可提取的表面特征种类繁多,如何从中选择有效适合的特征,从而达到对路面图像中裂缝和背景很好的区分需要不同特征之间的对比和组合。而对于分类之后裂缝图像的检测定位主要采用一系列图像处理流程,涉及到对于不同形状、深浅的裂缝目标需人工设置不同的阈值参数进行分割、筛选、提取,如何进一步对其图像处理流程完善或采用当下应用最广泛的深度学习模型用于裂缝图像检测,从而更有效地提高其通用性、实用性和准确率。具体来说,针对以上的问题,本文的主要工作如下:首先,研究了HOG+LBP组合的特征参数用于路面裂缝的分类识别方法,其次通过使用SIFT特征弥补HOG+LBP特征向量维度过大,同时使用SURF特征进一步改善SIFT特征算法的时间复杂度,最后通过机器学习中SVM分类器训练模型后的分类识别效果来比较这三种不同特征提取方法的准确率。在针对裂缝目标设计的图像检测处理方法上,使用改进的迭代法阈值分割算法初步分割裂缝目标,并设计了裂缝连通域目标筛选算法和基于凸包的断裂裂缝拼接算法,提高现有检测定位方法的准确度。引用了深度学习中的卷积神经网络YOLOV3模型,从而进一步极大地提升了路面裂缝目标识别定位的准确率。