路面破损图像识别是图像处理和模式识别研究中的热点问题，近年来受到越来越多研究者的重视[1]。本文主要内容就是围绕路面破损图像的识别问题，研究各种破损图像的分类识别技术。通过对公路路面上可能出现的各种破损现象进行归纳和分析，研究它们出现的原因；在破损二值图像的基础上，提取图像的特征使用分类器来对裂缝进行分类。本文的主要研究成果包括：　　 1)提出基于破损图像的线性特征、结构特征和分形维数特征的提取方法。在传统的图像识别中，提取的图像特征并不能对路面破损图像进行全面的描述，对破损图像的识别效果达不到人们的要求。本文认为提取的破损图像的特征应该更加紧密的同图像中的破损情况密切相关，在这种思想下，本文提取破损的线性特征、结构特征和分形维数特征对图像进行识别，并和传统的特征提取方法Proximity算法、密度因子算法作比较，结果证实新的特征提取方法具有较好的适应能力和识别效果。　　 2)在分类器的设计方面，本文主要使用支持向量机来设计分类器，并在论文中讨论了它的优缺点。针对分类器的网络拓扑结构，分析了支持向量机的主要参数对优化性能的影响。在提高分类器的识别效果的理论指导下，将遗传算法和支持向量机方法进行了有效的结合。实验表明，遗传算法和支持向量机相结合的方法能够进一步的提高识别破损图像的准确率和鲁棒性。　　 3)通过对真实路面裂缝进行采集并得到相应的路面裂缝图像。对这些图像进行特征提取，然后分别建立神经网络和支持向量机分类器模型并对采集到的图像进行分类，通过多次实验，结果显示在训练样本数较少的情况下支持向量机对未知样本的识别率和泛化能力都要优于神经网络。　　 通过上述工作,本文对路面破损图像的分类问题进行了深入研究。研究结果表明:基于线性、结构和分形维数理论的特征和破损图像识别问题紧密相关，并且能够充分的体现路面破损图像的具体信息；通过使用遗传算法改进的支持向量机分类器模型,不仅有效地提高了对破损图像分类识别的准确率,而且能增强支持向量机分类器的鲁棒性。