随着中国经济的快速发展,我国公路里程数不断增加,截止2018年年底,我国公路总里程已突破485万公里,这对公路养护提出了更高要求。裂缝是路面破损的初期症状,为了保证交通安全,对路面裂缝应及时发现并补救。自动化的路面裂缝检测装置能够解决人工养护耗时且存在安全隐患的问题,得到了业界的青睐。近年来开发的大多数路面裂缝自动检测算法,在裂缝图像清晰、背景单一的条件下,性能表现良好,但是这些算法难以满足实际的工程需求。真实路面经常受光照、阴影等噪声的影响,裂缝所处环境比较复杂,因此,本文主要针对这种情况下的裂缝图像分割算法进行研究,为后续开发出更加智能化的路面裂缝自动灌缝机提供相关的技术支持。论文主要在以下方面展开了研究工作:1)本文建立了真实环境下的路面裂缝图像数据集,将其称为crack-Data。解决了目前路面裂缝图像的公开数据集较少,且现有数据集目标清晰、背景单一的问题。该数据集拍摄采集于两座城市的四条道路,包含了各种复杂背景,如:阴影、斑马线和背景碎片等。同时,仿照PASCAL-VOC2012数据集的格式制作了对应的裂缝图像标签,以便于使用深度学习的分割方法实现裂缝检测。2)提出了一种基于crack-FCN网络的路面裂缝分割算法。在FCN的基础上对网络结构进行了改进,解决了分割结果较粗糙,裂缝细节不明显且存在间断的问题。在crack-Data数据集上进行了FCN和crack-FCN的对比实验,结果表明crack-FCN算法的分割结果融合了更多的裂缝信息,丰富了裂缝细节,与FCN相比性能有所提升。但是对于光照阴影下较细裂缝的分割结果,仍不能完全消除间断问题。此外,FCN和crack-FCN网络的训练时间较长、识别较慢、效率不高。3)提出了一种基于VGG-U-net网络的路面裂缝分割方法。它解决了在较复杂背景下裂缝分割结果中存在间断,训练识别时间长,效率低的问题。它构造了编码器和解码器两个部分,提高了边缘信息预测的准确性。通过迁移已训练好的VGG16网络模型参数并微调,与经典U-net网络相结合构建了一种新的混合模型VGG-U-net。与FCN、crack-FCN、U-net在crack-Data上进行实验对比,结果表明,VGG-U-net不仅识别分割准确率较高,而且训练耗时也较低,更有利于实时过程的实现。