我国是基建大国,公路里程不断刷新,高速公路里程居世界第二,但基建的快速发展必然带来繁重的养护维修工作。因此,公路养护工作逐渐成为当前交通管理的重心。在公路养护工作中,道路裂缝的研究是一项重要任务。实现对道路裂缝进行统计和计算,能够及时查清道路路面的破损情况,提供准确的数据资料,方便有关部门进行数字化、科学化、精细化管理。本文利用图像处理技术,采用语义分割算法来实现道路裂缝的准确分割。这对于节约人力成本,提升公路养护水平,有效实施道路维修,保障行车安全有着重要的作用。本文对道路裂缝的研究如下:首先,构建了道路裂缝数据集,数据集包含三种裂缝类型,分别为单条裂缝、龟裂裂缝、修补裂缝,共计8400张图片,为后续模型的搭建和训练奠定基础。之后,训练测试了四种语义分割网络,评估各网络在该数据集上的分割准确性。DeepLabv3+网络在测试集上的分割精度最高,达到了75.5%MIo U,平均像素精度为92.1%。因此,选用该网络作为本文研究的基准网络,同时对分割过程中出现的细小裂缝分割不精确,裂缝分割出现空洞等现象进行原因归纳分析。然后,为了进一步提高道路裂缝分割精度,对基准网络进行改进。针对细小裂缝分割不完整,大尺度裂缝分割有孔洞等情况,在基准网络的ASPP模块中融入Dense Net的密集连接机制,空间金字塔池化模块以密集连接的方式连接一组空洞卷积层,从而生成了多尺度的特征,可以显著增加模型的感受野和特征提取能力。实验结果表明改进后的网络不仅能够对细小裂缝进行完整的分割,而且对裂缝分割中出现空洞的情况,也能进行有效的解决。改进后的网络在测试数据集上的MIo U达到了80.2%,与基准网络相比提高了4.7%。最后,针对裂缝分割过程中出现的路面阴影被分割成修补裂缝,在改进网络的基础上增加了两种类型的注意力模块,分别是空间注意力模块和通道注意力模块。空间注意力模块能够计算图像中每个像素和其他像素的相关性,且像素之间的相关性不会随距离的远近发生变化,该相关性可以作为权重,作用于特征图,加强裂缝特征之间的紧密连接,保证裂缝分割的完整性。通道注意力模块能够选择性的进行特征表达,将具有高级语义的特征图进行池化,之后与全连接层连接,通过监督学习,赋予特征图通道不同的权重,增强裂缝特征的表达。将这两个模块融入到本文选择的基准网络中,合理的进行实验,提升网络的特征表示,最终在测试集上的MIo U达到83.9%。本文提出的算法可以有效应用于道路场景中的裂缝分割,算法精度高,可以应用到实际中,减少人工统计方式造成的人力物力损失。