随着交通运输行业的高速发展,我国的车流量持续不断的增加,路面的使用率也在持续上升,受环境的温度、湿度以及外加负载等因素的影响,公路路面会出现裂缝、车辙和沉陷等破损现象,其中裂缝是路面破损初期的表现形式之一,也是衡量路面质量的一个重要指标,当裂缝损毁到一定程度,就会带来交通隐患。目前,常用的路面检测手段是人工巡检,这种方式效率低、精度低、耗时长、且存在主观意识判断,影响交通。伴随着图像采集技术和计算机技术的飞速发展,数字图像处理技术在路面裂缝检测领域得到了广泛地应用。基于数字图像处理的路面裂缝检测的步骤为:首先利用车载摄像头进行路面裂缝图像的采集,采用算法实现裂缝的分割与分类。但现有的路面裂缝检测方法通常只关注裂缝分割或分类中的一项任务,缺少同时实现对路面裂缝的分割与分类的综合研究。目前对路面裂缝图像的检测算法可以分为传统算法和机器学习算法,而随着人工智能技术的飞速发展,机器学习算法中的深度学习算法对裂缝检测的准确率在逐步升高,基于此,本文利用数字图像处理技术和深度学习算法实现了对路面裂缝图像的分割与分类,并自动化计算路面破损率和路面状况指数,具体工作如下:（1）针对裂缝图像中裂缝占比较小,分割困难的问题,本文提出一种基于U型网络与残差网络相结合的路面裂缝图像分割方法,即将U型网络（U-Net）与残差网络（Res Net）有机结合,构建U-Res Net网络,该网络能够实现高层语义特征与底层语义特征的有效融合,使其在路面裂缝图像数据上具有很强的表征学习能力;通过残差网络的加入,使该网络在小数据集的裂缝图像的分割也有很好的鲁棒性。实验结果表明本文所提方法具有较强的鲁棒性且泛化能力强。（2）针对不同路面裂缝类型的破损率计算不同的问题,本文对分割后的二值裂缝图像进一步分类,以实现自动计算路面状况的相关参数,提出基于双分支协同约束网络的路面裂缝图像分类方法,即构建以Res Ne Xt为主干网络的协同约束网络,为充分表达裂缝特征,本文将分割后的二值图像与原彩色裂缝图像作为双支路输入。实验结果表明,本文所提方法能够有效识别出分割后图像的裂缝类别,依据其分类效果可自动计算路面破损率和路面状况指数。