随着我国公路养护任务要求的不断提高,对路面裂缝进行准确地分类并推荐适宜的预防与处理措施,成为当下交通行业关注的重点之一。现阶段依赖深度学习进行路面裂缝分类的方法需要事先对图像进行标注,这也必将耗费大量的人力财力。而且现有的无监督图像分类方法都存出普遍适用性较差以及分类准确率低等缺陷。因此,本文针对一种融合深度学习的无监督路面裂缝分类方法展开了研究。本文提出了一种融合卷积神经网络和聚类分析的无监督分类模型,将无监督算法引入深度学习,并将该模型应用到路面裂缝分类领域,来弥补现有分类方式的不足。首先,本文选用最典型的AlexNet模型和K＿means聚类算法进行模型的设计。通过AlexNet网络对裂缝图像的特征进行提取,然后将提取到的深层次特征向量作为K＿means算法的输入进行聚类,以聚类的输出代替真实的“label”进行反向传播,更新卷积的权重参数。这两个过程依次迭代进行,以达到对图像进行无监督分类的目的;接着,本文分别对提取特征的卷积网络模型和指导聚类过程的算法进行了改进,再将改进后的两部分融合起来以达到对无监督模型进行优化的目的。对AlexNet从网络结构和模型训练两个方面进行优化,并使用改进后的自适应快速峰值聚类替代K＿means算法指导聚类过程。改进后的无监督图像分类模型对裂缝图像的分类效果较改进前有了一定的提升,在一定程度上实现了对路面图像中的裂缝进行自动化分类;最后,为了验证本文所提出的无监督图像分类模型对其他图像数据集的普适性,本文选用了四个常用于图像分类领域的数据集分别进行了分类实验,并将结果与目前在图像无监督分类任务上表现相对优越的几种算法进行了横向对比。对比分析结果证明了本文提出的无监督分类模型在不同数据集上均较现有的几种无监督方法有着更出色的表现。大量的实验表明,本文提出的无监督分类模型可以实现对没有标签信息的裂缝图片进行分类,省去了深度学习裂缝分类方法需要进行繁琐人工标注的操作。改进后的无监督模型对裂缝图像的分类平均准确率较改进前提升4.7%,对横向裂缝、纵向裂缝和网状裂缝分别达到了83.6%、82.1%和74.5%的分类准确率,在一定程度上加强了路面裂缝的自动化分类,并为路面养护工作财务成本的缩减提供了可能。