近10年来,公路建设发展迅猛,里程数日渐增加,但公路建设的投资增长额已趋于平稳,现有公路的养护工作成为重中之重。公路病害最早期的体现就是道路裂缝,尽早检测出裂缝并及时养护,能够避免病害的进一步扩展,进而减少资金消耗,降低公路养护的成本。目前公路病害的检测有传统手工检测和车载设施自动检测两种形式,其中人工检测最传统,但诸事都以人工为主,人力成本高;车载设备自动检测一般需首先对所测道路进行封路,继而完成其检测工作,检测效率高,但耗资较大,安全性有待提高。无人机技术近年来以其快速、准确、安全等优点已应用到侦查、农林业、灾害救援等诸多领域,因此本文将无人机技术拓展应用在道路病害检测中。基于无人机影像地物要素的复杂性,本文提出一种较精确的道路裂缝类型检测方法。主要研究工作如下:（1）道路影像数据获取方法。以无人机为数据获取设备,实时、快速、全面地获取研究区域的道路影像。考虑到研究区域地形限制及无人机的航行安全,其飞行高度一般较高,获取的图像中所含地物类型较复杂。（2）道路影像数据处理方法。无人机影像中所包含的地物类型较复杂,需要消除车辆、树木、房屋建筑等因素干扰。因此针对无人机影像的特殊性,其影像数据处理除了传统的预处理外,还加入了有针对性的精处理操作。影像预处理包含灰度化、图像分割和滤波去噪等三个方面。灰度化可以使无人机影像数据占用内存减少,从而促使裂缝分割、分类等后续操作的处理效率得以提高。图像分割操作摒弃了传统边缘检测算子的缺点,选用灰色预测模型Verhulst模型,将道路裂缝元素从影像中较好分离。影像去噪操作时,在比较均值滤波、中值滤波和自适应维纳滤波的去噪原理和效果后,采用去噪效果较好、应用较多的自适应维纳滤波进行噪声去除操作。影像精处理在预处理基础上,采用形态学闭运算实现了消除裂缝孔洞、连接部分紧邻裂缝等效果;之后进行断裂裂缝连接和误提取要素去除操作。通过比较分析闭运算、KD树和最小生成树方法,最终采用Prim最小生成树方法实现断裂裂缝的连接;依据要素连通域特征,分别采用面积和矩形度,实现对点状和面状误提取要素的去除。（3）道路裂缝类型检测方法分析比较了常用的SVM、随机森林、神经网络等三种常用分类器,最终选用简单实用的SVM进行道路裂缝类型检测。SVM分类包括模型训练和分类测试两个步骤,而模型训练的特征描述子除了几何特征、投影特征外,本文还将方向特征加入其中,以便更好的区分线性裂缝（横向、纵向、斜向裂缝）,达到更好的分类效果。本文以河北省石家庄市的某段市域道路与河北省保定市的某村域道路作为研究区域,对本文的检测方法进行实验验证。通过实验验证,传统的特征提取方法道路裂缝类型识别精度为84.92%,本文所提出的方法识别精度达到了90.93%,证明了方法的正确性、实用性和有效性,说明方向特征作为裂缝类型识别分类器的特征之一是可行且必要的,检测精度较高,实用性较强。