路面破损检测是公路养护和管理工作中重要的一部分。在公路里程数不断增加的今天，依靠传统的人工检测的方法已经无法达到快速、高效检测的要求。近些年来，随着计算机技术的飞速发展以及电子产品功能的不断提高，基于图像处理的自动化道路检测方法依然有着重要地位，然而此种方法通常对检测硬件要求较高，并且检测范围较小。欣慰的是随着近几年智能手机的广泛普及，利用驾驶员手机终端进行路面破损的快速和大范围检测成为了可能。本文提出了一种基于群智感知的道路坑槽检测方法，通过检测车辆行驶过程中驾驶员手机终端加速度的异常变化，提取可能的坑槽及其破损情况，中心服务器通过机器学习确认并标注破损坑槽的地理位置。本文完成了手机端及服务器端的检测过程，并对提取异常数据和聚类破损情况的相关理论和算法进行了研究，主要工作如下：　　首先，基于Android平台设计并开发实现了能够获取Andriod手机加速度计、GPS传感器、当前联网IP、当前时间等表示车辆运行轨迹的路面信息的群智感知客户端软件，并且该软件自动将采集到的数据实时上传到中心服务器。采用PHP、MySQL和Apache结合的动态Web技术搭建了中心服务器，用PHP语言编程实现了对群智感知客户端上传路面数据的挖掘工作。　　其次，在中心服务器上，首先通过数据预处理和特征提取对采集到的数据进行一系列的处理，以凸显数据的关键特征。在完成特征提取的基础上，介绍并通过k-近邻算法提取了路面数据中的坑槽数据，并通过实验验证了本方法的有效性。　　最后，本文采集了不同破损情况的坑槽进行实验，验证了聚类检测破损情况的有效性，并通过高德地图开发技术，将检测出的坑槽标注在地图上。　　本文提出的方法能够对坑槽及其破损情况进行实时泛在的检测，机器学习技术中的k-近邻算法和k均值聚类算法原理简单、计算速度快，较好的实现了低成本与低工作强度的结合。