我国的高速公路和隧道工程急剧增加,导致交通安全风险也随之提升,其中裂缝是影响公路和隧道安全的重要原因之一。目前我国城市公路和隧道安全检测仍主要以人工检测方式为主,这种检测方法自动化程度较低,检测结果主观判断强,缺乏客观性。因此,为了准确、高速识别裂缝病害图像,研究人员对基于机器学习方法的裂缝病害的分类识别方法做了大量研究的工作,并取得了一定的识别效果。本文建立在研究和学习了大量的国内外文献的基础上,以裂缝病害图像为研究对象,着重围绕裂缝病害图像识别涉及到的图像滤波等预处理、小样本裂缝图像的扩充、深度学习框架优化设计三个主要方面开展研究,以期提高裂缝病害图像的识别效率和识别精度。本文具体的研究内容如下:首先,鉴于道路和隧道表面裂缝图像普遍存在光照不均匀、对比度低且混有大量噪声,不利于特征提取和后续分类等问题,提出了一种基于连通域泛水填充和k-means融合的裂缝图像滤波去噪方法。该方法在对原始图像预处理获得二值图像的基础上,通过计算连通域面积大小,并对连通域面积进行k-means自适应聚类分析获取裂缝和噪声的特征分布,最后利用泛水填充滤波进行裂缝图像去噪。对比实验结果表明,此方法在图像滤波去噪的同时能有效保留裂缝细节特征,算法性能明显优于传统算法。其次,针对裂缝图像训练样本数量比较少和裂缝特征不均衡的问题,提出了一种基于改进深度卷积生成对抗网络的裂缝图像样本扩充方法,即MDCGAN（Modified DCGAN）。首先,对数据集进行预处理,提升输入图像质量;其次,改进现有激活函数,提高生成特征的多样性;最后,引入谱归一化,提升网络结构的稳定性,以便生成高质量的裂缝数据集;结果表明,MDCGAN数据增强方法适用于扩充裂缝图像,不仅解决了传统扩充方法造成的样本特征空间不足,而且解决了现有DCGAN在裂缝扩充中的模型不稳定和生成样本的细节问题。最后,提出了卷积神经网络的裂缝图像分类识别算法,以Alexnet模型为骨干网络,使用迁移学习技术,将Image Net上预训练获得的权重参数作为其初始参数,修改模型的全连接层和输出层,使其适应于裂缝病害分类任务,在训练过程中,使用动态学习速率调整策略对卷积层和全连接层的参数部分进行微调,并与传统分类模型进行对比,结果表明,该方法具有较高的识别准确率,适用于裂缝病害识别。