随着社会经济的不断发展,交通环境日趋繁重,路面损坏逐渐严重。开展路面使用性能评价及预测研究,准确了解路面使用性能等级状况及变化趋势,可为制定路面养护策略提供依据。本文采用随机森林（RF）、支持向量机（SVM）、BP神经网络（BPNN）三种算法进行路面性能的评价和预测研究,探究机器学习方法在路面使用性能评价和预测中的应用。本文基于广东省公路养护分析CMAP平台,对广东省普通国省道进行调研分析及使用性能状况的数据收集,考虑自然分区、路龄、交通因素、路面结构等影响因素,确定路面结构研究对象。采用规范法、熵权法、基于熵权的机器学习模型对研究对象的路面使用性能进行评价。RF、SVM、BPNN模型评价出的路面使用性能等级与基于熵权的路面使用性能评价结果高度一致。其中以SVM模型的准确率最高,BPNN模型次之,RF模型最低。SVM模型在小样本的路面性能评价优势明显,RF模型则相反。对比规范法、熵权法、基于熵权的机器学习模型评价结果,发现基于熵权的机器学习模型更具优越性,能得到更贴近实际情况的评价结果,客观地反映分项指标与路面性能评价等级间的相关性关系,模型评价指标敏感性分析能评判各分项指标对综合评价等级的影响程度,基于熵权的机器学习方法是路面使用性能评价的新途径。采用5折交叉验证方法构建了RF、SVM、BPNN预测模型,对PCI、RQI、SRI和RDI使用性能指标进行预测。预测结果表明,三种机器学习模型的预测精度较高,拟合效果较好,证明了机器学习在路面使用性能预测上的可行性。三种模型中,以BPNN预测模型表现最佳,其次是SVM模型,RF模型表现最差。BPNN模型具有较强的泛化能力,较少的样本也能达到较高的预测精度。利用机器学习技术挖掘出路面性能与其影响因素中蕴涵的客观规律,预测出路面性能未来的发展趋势,并通过路面性能影响因素的重要性分析寻找影响路面性能的关键因素,为路面结构设计、路面施工与养护提供参考。