目前我国公路交通发展已从集中建设时期过渡到建养并重阶段，急需重视路面病害的检测与防治工作。裂缝类病害作为路面病害的初期表现形式，在公路养护中意义重大。然而传统的路面裂缝检测算法无法适用于多种路面状况，算法的通用性不高，常常难以达到预期的效果。因此，对路面裂缝的自动检测算法展开进一步的深入研究，使其更加准确、高效和稳定，是十分有必要的。
　　本论文结合新兴的深度学习算法，以路面裂缝的检测识别为主线，研究了路面裂缝图像的降噪处理、图像样本扩充、裂缝语义分割以及裂缝目标检测等内容。首先，针对路面裂缝图像中存在的混合噪声，提出了一种基于窗口形状可变的中值滤波和自适应小波分层阈值降噪相结合的混合降噪法，在滤除图像中噪声的同时尽量保留了裂缝的细节边缘信息。其次，针对深度学习中路面裂缝图像样本量不足的情况，建立了一种能生成224?224分辨率大小的生成对抗网络模型，以降噪后的路面裂缝图像为真实样本集，生成大量的真实程度较高的高质量裂缝图像，以此对数据集进行扩充，保证后续图像处理任务的准确率。然后，针对裂缝这样较小的目标，构建了基于DeepLab V3+的语义分割模型，对其DCNN模块进行了改进，并在解码结构中又增加了一次深层语义信息与底层特征的融合，可以有效地恢复裂缝目标的细节信息；同时分析了训练参数对模型精度的影响，从中选择效果相对最好的优化器和初始学习率，将裂缝较为完整地从背景中提取出来。在此基础上，针对裂缝的分类定位问题，采用Faster R-CNN建立目标检测模型，并对原始模型的结构层进行了优化，通过对比 30 种不同的锚点参数组合在测试集上的评价结果来选择相对最优的9个锚点，将语义分割后的路面裂缝图像分为横向裂缝、纵向裂缝和网状裂缝三大类。最后，提出了一种线性裂缝长宽计算以及网状裂缝面积和块度计算的方法，在利用本论文训练好的模型对实验路段进行检测后，通过统计计算出来的几何参数与真实数值之间的误差均值，进一步证明本文的算法对路面裂缝图像的识别具有良好的实用性和可行性。
　　综上所述，本论文提出的基于数字图像处理的路面裂缝图像自动检测算法，具有通用性强且检测效果好的特性，可以为路面裂缝检测体系的深入研究提供参考，并为管理部门的养护决策提供科学依据。