近年来,随着计算机计算性能的提高,机器学习开始被大量地应用各个领域的研究当中,其中传统的机器学习算法在手势识别、手写数字识别能够达到很好的效果,但是在传统的土木行业中,由于混凝土路面裂缝出现特征随机性大,图像特征提取困难,降维困难,在高维度样本的条件下用传统机器学习方法进行裂缝识别,准确率较低,与传统机器学习方法相比,在高维度样本量大的条件下,深度学习在准确率上更加具有优势,其中卷积神经网络CNN是具有代表性的深度学习算法,在图像检测领域受到广泛的应用。因此,本文从特征提取与机器学习的原理出发,对比了多种特征提取算法,对裂缝图片做预处理,介绍了传统的机器学习算法与深度学习算法,并对使用了传统的机器学习方法SVM与深度学习算法CNN对预处理后混凝土裂缝图片进行训练检测识别,最后开发了混凝土路面裂缝检测用户图形界面程序。本文主要的工作内容:(1)裂缝样本的获取与预处理:设计了裂缝拍摄过程,将所得裂缝图片拷贝成4组,分别通过Laplacian算子、Sobel算子、Canny算子分别对图片进行特征提取处理,剩下一组只做灰度化处理来作为原生对比组,结合网上数据集得到4组训练样本集与测试样本集。(2)基于传统机器学习的SVM算法对裂缝检测识别:分别使用线性核函数与RBF核函数的SVM算法对4组训练样本进行训练,使用对应的4组测试样本进行裂缝检测。(3)基于深度学习的CNN算法对裂缝检测识别:使用基于卷积神经网络inception V3模型通过迁移学习的方法对4组训练样本与测试样本进行裂缝检测。并且与传统的机器学习方法做对比分析。(4)开发基于CNN裂缝检测平台:将机器学习、用户图形界面、图像处理三者结合,开发了具有良好扩展性的裂缝检测平台,最后结合本程序提出对路面健康状况进行评估的流程。