截至2020年末,全国公路通车总里程达到519.81万公里,是1984年末的5.6倍。路面质量信息的自动化获取与分析对于未来路面养护至关重要,而路面纹理是路面质量信息最重要的特征之一。传统的对路面纹理进行评价的方法大多依赖有限测试点的人工操作机械量测结果,只能进行有限的局部定性分析。车载激光线扫描设备可实时采集高精度的路面高程数据,为自动化地分析路面纹理提供了数据基础,但是这些数据中存在路面宏观起伏和车辆颠簸带来的强烈干扰,无法直接用于对路面纹理进行定量分析。本论文聚焦基于车载激光线扫描数据的路面纹理自动提取及路面质量评价方法。分析了原始数据的组成成分,建立了路面高程数据的信号分解模型将信号分解为倾斜、起伏、阶跃和普通路面纹理四种组成成分;对路面纹理典型指标进行分析,建立统计模型完成模型拟合,将相关结果应用于路面异常纹理识别和路面纹理等级评价;同时,将Transformer结构引入路面纹理识别领域,设计并实现了一种端到端的高效路面纹理等级评价网络。本文主要工作与贡献如下:1.在路面纹理信号提取方面,本文构建了一套路面高程数据分解模型,将路面高程数据分解为倾斜、起伏、阶跃和普通路面纹理四种组成成分。针对其中较难提取的阶跃成分,提出了一种面向路面纹理的阶跃信号提取算法,该算法提取精度更高、运算量更小。实验证明本文提出的方法相较于其他方法鲁棒性更强,具有更大的优势。2.在路面纹理指标提取和统计分析方面,本文使用高斯混合模型对路面纹理典型指标进行拟合,通过EM算法提取其中的隐变量。同时本文提出了改进的Wasserstein距离,通过这一距离可以实现对上述拟合结果中不同分布之间距离的定量度量。相关结果分别在路面纹理异常检测和路面纹理评价实验中进行了验证,在路面纹理异常检测中取得了97%和84%的准确率,在路面纹理评价实验中取得了85%的准确率。3.本文引入Transformer结构,设计并实现了针对路面纹理的Pavement-Transformer网络,实现端到端的路面纹理等级评价。该网络使用路面纹理感知器Pavement-Perception实现对路面纹理局部特征的感知,Transformer编码器完成对路面纹理全局特征的感知。在八段不同路面纹理等级的道路上进行了实验,评价准确率为95.2%,相较于原始Transformer网络和视觉Transformer网络有着巨大提高。在标定路面和武汉市的真实路面上采集得到的超2万条路面纹理数据上进行了实验,实验结果表明本文所提出方法鲁棒性强、准确率高、运算量小,有效提升了实际应用场景下的路面纹理提取和路面纹理等级评价的准确性。