随着我国工业化、城镇化进程不断加快,城市中用于排水、燃气、电力等各种市政公用地下管线设施日益增加,路面井盖的正确检测与有效管理对人们的人身安全起着关键的作用。人工检测不仅会产生诸如效率低、耗时多、精度差等缺点,而且也会因为天气或者井盖的位置分布产生其他的安全问题。因此,本文围绕如何实现井盖的自动化检测这一主题展开了一系列研究。经研读和分析大量关于井盖缺陷检测的文献发现,大部分学者都是从传感器和图像处理的角度出发,布置一些硬件设备来获取井盖信息,最后通过分析这些信息来得出检测结果,而较少结合视频监控和机器学习算法来实现井盖缺陷的识别与分类。虽然这些方法也能实现井盖的监测,但其性能不够好,计算量较大,想运用到实时系统中则不太现实。因此,本文提出了机器学习下的两个不同算法来较为准确快速地实现井盖缺陷的分类过程。一个是改进的SVM算法,另外一个是基于优化的卷积神经网络算法。主要的研究内容如下:(1)通过研读大量国内外关于SVM、特征提取、增量学习的文献发现,现有的SVM算法对高维数据的特征提取有一些缺陷,本文就此提出相应的改进方法。首先在特征提取方法上对主成分分析(PCA)和局部线性嵌入(LLE)两种方法进行对比研究发现,后者能够更好地对非线性数据进行降维表示,并且在可以保留数据本质特征的基础上降低复杂度,极大地提升了训练速度,节约时间成本。(2)特征提取完成以后,主要就是通过SVM实现分类。本文提出了一种基于反馈机制与专家审核的支持向量机ASVM算法。该算法会对SVM分类结果交由专家再次审核,若是缺陷数据,会被放入到已分类的历史数据集中进行二次学习。并且在此基础上,提出了基于PAC-ASVM与LLE-ASVM的增量学习算法,以避免有新数据加入时要重新训练全部训练集的低效性,并在手写数据集和井盖缺陷分类上做出对比实验。(3)除了使用支持向量机,本文还提出了基于优化的卷积神经网络实现对井盖快速准确分类。优化工作主要体现在激活函数的改进上,针对Relu的梯度消失问题,提出了MRelu和BRelu激活函数,并在公共数据集CIFAR-10上做了大量对比实验。通过实验数据证明,提出的激活函数不仅能提高分类精度,而且还能加快模型的训练速度。此外,考虑到井盖的检测需要大量的人工标注数据集,不但消耗了大量的人力,也难免会造成误差,致使标注的类别参差不齐,最终导致分类器识别不准确。本文就此提出了一种有效的主动学习方法来解决样本标注的问题。