公路路面图像的裂缝检测与宽度计算是交通系统维护公路质量的重要步骤。传统的人工检测与统计方法伴随着主观性的同时,耗费太多的人力资源。随着计算机视觉领域的发展,智能交通系统应运而生。基于计算机视觉的裂缝检测与宽度计算,已经成为公路质量检测与评估的重要手段。本文从裂缝检测与宽度计算两个方面做深入的探索与研究。为了提高裂缝检测与宽度计算的精度与效率,本文进行了以下的研究工作:首先,本文对裂缝检测与宽度计算的研究背景与意义以及研究历史与现状进行了概述,对现有的裂缝检测与宽度计算方法的优劣进行分析,总结它们在实际应用中可能存在的问题。然后针对这些问题,本文提出了自己的方法,并依次阐述了该方法使用的相关技术,包括深度学习、生成对抗网络、条件生成对抗网络、循环生成对抗网络、U-Net网络、主成分分析算法、鲁棒性主成分分析算法和随机抽样一致算法。其次,本文提出了一种基于映射转换的无监督裂缝检测算法。在实际应用中,裂缝检测面临以下挑战:(1)标注的裂缝数据集较少,且公开数据集中像素级标注图像数目极少;(2)裂缝边缘不清晰,且数据集标注存在一定的误差;(3)随着时间的流转公路环境相差过大,已存在的有监督裂缝检测算法对环境敏感,不具有通用性。为了解决这些问题,本文提出了无监督的裂缝检测方法。该方法使用改进的U-Net生成网络与全连接的判别网络相互博弈。为了减少生成网络的样本空间,本文引入了循环一致网络与循环一致损失函数,得到原始裂缝图像到二值裂缝图像的映射模型。实验结果表明,该方法在裂缝检测上的效果比已经存在的基于机器学习的方法和部分有监督的方法准确率更高,并且在定性分析的视觉效果上也有较好的展示。最后,本文提出了一种基于级联主成分分析的裂缝宽度计算方法。本文提出的裂缝宽度计算方法是像素级别的计算方法。该方法主要是利用级联主成分分析算法计算裂缝的主轴,然后沿着垂直于裂缝主轴的方向统计裂缝的像素个数。它采用了一种分层结构的思想。首先利用主成分分析算法计算裂缝主轴,然后使用随机抽样一致算法验证主轴的准确性,对于一些裂缝形状复杂,计算不准确的主轴,采用鲁棒性主成分分析算法重新计算裂缝的主轴。这不仅提高了算法的准确性,还提高了算法的效率。实验结果表明基于级联主成分分析计算裂缝宽度具有较高的准确率。