公路浅层病害不仅会影响公路的运输性能,同时会降低公路的使用年限。这类浅层病害位于公路结构层中,具有一定的隐蔽性,而且国内目前常规检测手段普遍存在着检测效率低、评价结果不全面、严重依赖人工检验等问题。因此,亟待开发出一种高效、准确的公路浅层病害自动检测识别系统,以解决上述问题。综上所述,本文提出了一种基于模式识别和探地雷达检测的公路浅层缺陷识别方法。本文的主要研究工作如下:(1)通过对比钻芯取样、超声波检测及探地雷达检测等技术的优劣,将高效、准确、无损的探地雷达检测技术作为本文的研究工具。(2)对探地雷达的基本原理及相关设备和软件进行介绍,依据电磁波的传播原理、探地雷达成像技术及常见病害的形成原因,讨论分析裂缝、脱空及沉陷三种道路病害在探地雷达中的成像特征。(3)通过对图像预处理技术的研究,对比分析了中值滤波、均值滤波及高斯滤波的优劣进而选择降噪效果优良的高斯滤波作为降噪方法;利用Canny算子作为边缘检测手段,同时结合图像形态学处理将目标以外的信息剔除,最终利用投影分割算法将目标图像分割出来。(4)提取了病害图像的面积、复杂度、纹理特征、七个不变矩等29个原始特征,并通过K-L算法将原始特征压缩降维,以期降低计算量,减少数据重叠,提高数据有效性。(5)利用支持向量机(SVM)分类算法对不同病害的分类识别进行研究,为解决SVM算法的超参数c和g寻优问题,本文利用网格搜索法和粒子群优化算法对SVM的参数进行寻优,利用这两种寻优算法所得到的SVM模型的分类预测结果分别为88.333%和86.667%。通过对比发现,网格搜索法虽然尚可满足检测要求,但是运行速度慢,粒子群算法虽然速度得到提升,但是易陷入局部最大值中。针对PSO算法的早熟问题,提出自适应变异PSO算法,对原来的算法进行改进,进而突破局部最大值的限制,经改进后所得SVM模型的分类预测结果为91.667%,提高了病害的识别率。