开展路况调查是掌握路况信息的基本方法,而病害的识别是路况调查的核心组成部分。现阶段路况中病害识别以人工上路识别为主,其识别成本高、识别速度慢、识别周期长、工作繁琐、资金投入高等问题日益显现。随着高速公路的建设不断进行,投入运营的路网总里程数不断增加,路况调查任务越来越艰巨,传统的工作方式已经不能与现阶段的养护需求相适应,研究科学化、智能化、系统化的路面典型病害识别技术势在必行。本文以小波矩及SVM (Support Vector Machine)为基础,以湖南省高速公路依托,研究沥青路面病害图像识别技术,构建高速公路沥青路面典型病害图像识别体系,并以湖南省湘潭高速公路2011及2012年沥青路面病害图像为实例,进行高速公路沥青路面典型病害图像识别体系实例分析。本文在国内外相关研究的基础上进行了深入研究分析,具体研究成果如下：(1)沥青路面典型病害特征提取算法的选择。对现今主流不变矩算法进行研究,综合考虑了各不变矩的抗噪能力、图像细节提取能力等,对Hu矩、Zernike矩、legendre矩、小波矩的原理进行研究,并从中选择出最适合用于提取沥青路面典型病害图像特征点的小波矩算法,为下一步图像的特征分类打下基础。(2)特征分类算法的选择。对国内外常用的特征分类算法进行研究,对BP神经网络、SVM的算法机理进行了分析,并从中选择出了最适合沥青路面典型病害图像特征的分类算法。并以(1)中的各不变矩阵所提取的特征点为基础,通过实验对学习时间、识别时间、识别精度等方面进行分析比较,论证了SVM与小波矩的优越性。(3)建立了沥青路面典型病害图像识别体系。将路面典型病害识别分为四步：第一步,图像信息的捕获,对需要识别的图像进行采集；第二步,对图像进行预处理,去除噪声与其他干扰并突出病害图像主体、图像分割等；第三步,选择合适的小波基函数,运用小波矩算法提取出病害图像的特征点；第四步,首先对分类模型SVM进行正负包样本集训练,已经训练好的分类模型在设置好参数后,通过已划分好的超平面进行特征识别,并得出最终识别结果。文中详细描述了预处理模型、特征提取模型及分类模型的建立步骤与理论方法,确定了在高速公路沥青路面病害图像的前提下,噪声处理与图像分割的方法、小波基的选取方法与小波基的选取原则、SVM初始参数的选择方法等。(4)以湖南省湘潭高速2011及2012年沥青路面病害图像为原型,建立实验病害图像样本库对SVM进行学习训练,然后通过小波矩提取特征点,输入到已训练好的SVM中进行特征分类。最后用实验证明了(3)中所建立的高速公路沥青路面典型病害图像识别体系的可行性、正确性及优越性,并在小样本学习的情况下,得出89.86%的正确识别率及93.86%的最终识别率。