近几十年以来，随着我国社会经济的快速发展,道路交通在人们生活中的影响愈发显著,为了提升国家的交通运输能力,促进经济的繁荣发展,我国高等级公路的建设也得到了快速发展，与此同时，道路养护与管理问题日渐突出。其中路面破损检测就是道路养护的主要工作之一。由于沥青路面图像光照变化大,沥青裂缝与背景对比度相对较差且纹理多变,使得开发出一种识别率高、通用性好、运算速度快的路面裂缝自动识别算法仍然具有较大的挑战。　　针对上述问题，本文在前人的研究基础上，提出了运用BP神经网络对提取的路面破损目标特征参数进行融合，实现路面裂缝的准确识别。在该方法中，首先对路面破损图像进行预处理，采用巴特沃思高通滤波器针对路面裂缝图像存在阴影等光照不均的现象进行修正，降低光照不均对裂缝识别的影响，为路面裂缝特征参数的提取奠定了良好的基础。考虑到路面裂缝目标在整幅图像中占据的比例较小,加之路面受大量大小不一的颗粒纹理以及路面阴影、污渍等因素的影响,使得完好路面与破损路面的特征参数在数据上无太大差异。因此本文将路面图像分割成多个不重叠的小方块，采用提取局部纹理的方法对路面破损目标进行描述。　　在传统最短路径技术的基础上，本文提出了一种新的路面裂缝图像纹理的描述算子，即动态最短路径。该算子在最短路径算法的基础上改进而来，通过将路面裂缝图像内像素的灰度值看成是该像素点到其邻域的距离，将其变为求解动态最短路径问题。其原理与最短路径的全局最小能量方法类似，动态最短路径无需提供目标特征上的两个点作为初始点与终止点，减少了人为干预的因素。然后对路面图像的相对灰度值、方差等特征参数进行提取、并采用分块阈值分割与P分位阈值分割相结合的方法对路面裂缝图像进行二值化处理，提取投影方差、最大连通域面积等二值图像特征参数。最后利用路面破损图像提取的特征参数，运用BP神经网络对这些参数进行训练与预测，完成路面裂缝的识别。