随着交通工具的普及,如何提高路面质量成为研究的热点,各种因素的变化导致路面信息采集系统很容易出现故障,造成异常数据的出现,因此异常值的检测及修复十分有意义。随着数据挖掘技术的崛起,机器学习在路面异常数据的检测、修复中也取得了重大的突破,因此本文提出一种基于机器学习的沥青路面感知数据异常状态辨识与修复方法,并对其进行了深入研究。首先,构建沥青路面温湿度一维感知数据集,采用基于统计的算法:3σ准则、箱型图和t检验准则分别对一维温湿度数据进行异常值检测分析;之后根据一维数据构建二维特征向量,分别构建一阶差分和线性求和特征向量。利用局部异常因子算法（LOF）、K均值（K-Means）和单类支持向量机（Oneclass-SVM）对构建的二维特征向量进行异常值检测,通过异常值检测评价指标戴维森堡丁指数（DBI）对模型进行评价分析。利用DBI优化LOF模型邻域点数目（K）得到最佳K值,达到最佳检测效果。其次,构建沥青路面温湿度异常值修复样本数据库,分别采用CART、Random Forest、XGBoost、LSTM和Light GBM算法对异常值修复数据库进行预测,利用网格搜索法（GS）对上述机器学习模型进行参数优化,通过模型预测结果评价指标进行分析。实验结果表明,GS-XGBoost模型预测温湿度的相关系数R2最高,分别为0.968和0.917,平均绝对误差MAE和均方根误差RMSE也优于其它模型。最后,本文考虑到网格搜索法寻优的局限性,利用遗传算法（GA）对XGBoost模型参数进行优化,通过选择、交叉、变异确定最佳模型参数。对比发现,GA-XGBoost模相比于GS-XGBoost模型,温湿度均方根误差RMSE降低了1.16%和6.21%,速度提升了5.13和5.7倍。同时根据平稳性指标对修复前后数据进行稳定性分析,实验结果表明修复后的数据均值和中位数提高,标准差和差异系数降低,整体分布更加稳定。综上所述,本文提出的DS-LOF模型能够对时间序列进行异常值辨识,检测精度较高,可以应用到一维沥青路面温湿度异常数据检测中;同时,本文提出的GA-XGBoost模型能够对异常数据进行预测修复,提高了沥青路面温湿度数据的稳定性,对我国路面数据信息的挖掘具有重要的参考价值。