近年来,随着我国公路网的快速发展,人们出行更加便利,但是道路资产特别是路面标记资产的完整性却因车辆磨损、恶劣天气等因素影响变得越来越差,而道路路面标记的质量和完整性直接影响驾驶安全。为了保障交通安全,道路的管理人员必须对道路标记资产进行点检,即按照一定的标准,定期对道路标记的损伤状况进行检查。路面标记资产损伤检测是路面标记资产大规模点检研究中最重要的部分,目前已有许多国内外学者在路面标记资产损伤检测方面做了大量研究,但由于路面标记资产数量巨大,损伤区域纹理复杂、相机拍摄局限性等原因,目前路面标记资产损伤检测方法的准确率普遍偏低。针对人工进行路面标记资产检测效率低以及传统路面标记损伤检测精度低等问题,本文以提高标记资产损伤检测效率和识别准确率为目的,开展了如下研究工作:（1）传统的路面标记资产点检通常采用人工现场检测,此外也采用了激光扫描、计算机视觉等技术方法进行检测,为了实现对路面标记资产损伤状况的大规模快速精准检测,本文提出了基于层次图像分割策略的路面标记资产损伤状况点检方法,并进行了研究与实现。（2）为了精准检测并识别路面标记的损伤状况,研究中采用目标检测领域的Faster R-CNN深度神经网络检测路面标记,并选用改进后的U-Net网络模型对检测到的目标标记进行轮廓分割,最后采用图像分割方法对检测到的目标标记进行损伤分割。（3）车载前置摄像头捕获的路面标记图像中,距摄像头越近,标记损伤信息越完整;距摄像头越远,标记损伤信息缺失越多。另外,图像中标记的几何关系存在失真问题。为减小上述问题带来的影响,本文提出了一种目标标记损伤分割图像整合方法,采用KCF跟踪算法和动态获取的单应性矩阵整合多幅图像中标记的损伤信息,最后根据整合后的图像完成标记损伤比例估计。（4）本文利用实地采集的公路视频数据进行实验测试,测试结果表明,本方法能够完成路面标记资产损伤状况点检,效果符合预期。