随着经济的发展，我国公路交通事业高速发展，因此，对公路的养护工作也提出了更高的要求。公路在建成后受到气候、地质条件、通行量、载荷量等因素的影响，导致公路产生不同程度的裂缝，因此，相关部门需要对公路进行定期的检测和养护。国内在对路面裂缝检测时大部分还是使用传统的人工检测方法，但这种传统的方法效率低、误差大，而且对交通有较大的影响，检测人员的人身安全也不能完全保证。因此，对路面自动检测技术的研究迫在眉睫，以便于节省费用，延长使用年限，提高公路的服务水平。本文主要研究裂缝图像的处理技术，分为图像预处理、图像分割、特征提取三部分。图像预处理部分，本文采用最近邻插值法将图像缩小，变为原图像的1/4；采用四种不同类型的结构元素依次对路面裂缝图像进行中值滤波，平滑去噪；采用基于图像背景提取的灰度校正算法校正图像光照不均。图像分割部分，本文采用Ostu阈值分割算法对路面裂缝图像进行分割，并进行适当改善；采用连通域白色像素点阈值去噪算法去除二值图像的噪声；将数学形态学和白色像素点阈值去噪算法相结合，利用多种形态学算法交替处理，提取出裂缝，最后运用迭代细化方法对裂缝进行了细化。特征提取部分，本文根据不同类型裂缝的特征选取了裂缝像素面积、水平投影、垂直投影、矩形度作为裂缝的特征值，利用裂缝像素面积能够准确判断图像中有无裂缝。本文用裂缝的四个属性作为支持向量机分类器的特征向量，采用高斯径向基核函数RBF，运用“一对多”的多分类算法，对95幅测试样本进行识别，总识别率为85.26%。最后简要分析了造成误判的原因。在相同样本条件下，对比了BP神经网络和支持向量机的分类效果，结果表明，支持向量机的分类精确度要优于BP神经网络。为了满足道路养护对路面裂缝数据参数的需求，分别计算了横向和纵向裂缝的长度以及块状和网状裂缝的最小外接矩形面积，进一步计算了路面状况指数PCI，得出路面破损的程度等级，从而确定养护策略。