路面裂缝检测算法在公路质量检测评价中,具有准确、高效的优势,迅速得到广泛应用。现有算法应用场景均为车载方式采集图像,但随着高效、便捷的无人机载采集方式出现,已无法适用于航拍图像的裂缝识别任务。因此,本论文主要围绕针对航拍图像的路面裂缝检测算法展开研究。结合无人机飞行平台,本论文理论分析相机像素与裂缝目标对应关系,选取合适的高清相机采集装置,多次试验采集航拍路面图像,并筛选试验采集图像,标注制作可用于深度学习训练的航拍裂缝图像数据集,并展示裂缝检测软件设计方案及离线操作界面。针对航拍路面图像识别的噪声和干扰问题,本论文提出了一种基于图像分割的裂缝检测算法。根据路面区域与路旁景观区域灰度级数分布不同,提出多方向拟合区域生长方法联合HSV颜色空间阈值进行路面区域分割,提取包含完整裂缝信息的单通道路面;再设计滑窗滤波算法剔除面积较大的干扰区域,利用结合显著性分析的边缘检测算法识别路面的裂缝片段,实现了复杂裂缝与路面纹理噪声的区分;针对裂缝可疑区域,提取单像素骨架,分类并计算其长度。实验验证该算法可有效剔除航拍图像中的噪声和干扰,可疑裂缝图像筛选准确率80%以上,分类识别准确率85%以上,长度测量准确率75%以上。为了改进传统图像处理算法的鲁棒性,本论文提出了一种基于深度学习的裂缝检测算法。结合K-means算法设计了一个满足高召回率特点的道路粗分割层;通过分析成熟网络结构,结合复杂场景小目标检测情况,设计了一种特征提取网络结构;参考Faster-RCNN的区域提名网络,设计满足于本论文特征提取网络的区域提名结构;利用分类网络对初步检测结果定位分类,并利用检测结果区域提取裂缝单像素骨架并分析评测。实验验证该算法针对复杂场景具有较好的鲁棒性,裂缝检测准确率约为89%。