裂缝是一种早期路面病害,它对路面的养护和管理工作具有深远影响。目前的裂缝检测方法中,所选择的数据集大多是干净、完整、无阴影、无干扰的图像,但在实际检测中,由于路面裂缝本身的复杂性,加之不同的光线和异物遮挡,都会对图像的检测结果产生一定影响。因此,对复杂背景下的路面裂缝进行深入而系统的研究是十分必要的。具体研究内容如下:（1）图像预处理,首先对路面图像进行灰度化处理,然后针对背景噪声、裂缝边缘细节等,对比分析传统图像去噪方法的优缺点,采用L0最小梯度滤波算法优化,在图像增强处理中,对比分析四种不同的增强算法,发现MSRCR算法更适合裂缝提取,通过一系列预处理为后续的裂缝分割工作做了基础准备。（2）针对传统分割算法易受背景噪声干扰,分割细节不完整的问题,本文提出解决方法。首先利用MSRCR算法进行图像增强,接着采用L0最小梯度算法进行去噪,利用遗传算法优化Otsu进行阈值分割。通过在不同背景下的图像中进行实验,最终结果表明,本文提出的改进Otsu算法的MSE值优于其它对比算法,实验精度较其他算法高,PSNR值也较高,抗噪性能更好。（3）基于深度学习语义分割原理,本文以Deep Lab V3+模型为基础架构,设计一种能够用于复杂背景下的路面裂缝识别网络。模型以改进的Xception为骨干网络,使用加权的二元交叉熵损失函数,使裂缝目标能够分配更大的权重,并且使用密集连接ASPP结构,获取更大的感受野,深层次捕获裂缝细节。实验结果表明,在CRACK500数据集中,本文提出的改进Deep Lab V3+算法的像素准确率为94.3%,平均交并比为87.2%,在CFD数据集中,改进算法的像素准确率为92.1%,平均交并比为85.7%,并通过与不同网络结构、其他论文文献以及本文其他算法进行对比分析,从多个角度论证改进Deep Lab V3+算法的优越性。（4）在特征参数计算及破损评定中,首先对裂缝类型进行判定,然后对裂缝骨架进行提取,接下来利用像素点信息量对裂缝的特征进行量化,从而得到裂缝的几何参数。