基于数字图像处理的裂缝检测在沥青路面病害养护中得到了越来越广泛的应用，但鉴于路面裂缝图像的复杂性，裂缝检测和分类的效果很难达到较高的精确度。因此，针对路面裂缝检测系统中裂缝提取和分类算法上存在的缺点和不足，本文进行了深入的研究。路面裂缝图片提取后常常容易出现裂缝断裂、不完整的现象，而传统的分水岭算法具有保持微弱边缘信息良好的优点，于是本文将分水岭算法应用到路面裂缝提取中，同时，为了克服裂缝提取后出现的过分割问题，又因为在统计中发现，路面裂缝图像中灰度变化陡峭区域的面积占总面积比例较少，根据这一特点，本文提出了梯度熵的概念，并将计算区域合并后梯度熵的增减作为判断区域合并的准则，结合该准则设计了分水岭边缘分割阈值的自适应计算方法，有效地解决了裂缝图像提取的过分割问题。BP神经网络以其强大的模式识别能力在路面裂缝分类上得到了广泛的应用，本文针对路面裂缝分类过程中网络训练速度慢，误差大且易陷入局部极小值等缺点，设计并改进了复合误差函数来代替传统的全局均方误差函数以提高其学习率，同时采用了改进的分层动态调整不同学习率的新BP神经网络对路面裂缝图片进行分类，实验结果表明，与改进前的BP神经网络相比，改进后的算法在检测精度和速度上有了明显的提高。