针对桥梁中的裂缝病害智能化检测，深度学习方法中DeepLabv3+分割模型因其提出了新的Encoder-Decoder结构，其融合了目标的高层语义信息与浅层特征并采用了深度分离卷积的方式，取得了优越的图像分割效果。但是，在编码模块训练过程中逐渐缩减输入数据的空间维度导致有用信息丢失，对尺度大小不一的小目标的识别带来一定的局限性。为了提高网络的分割性能，本文提出了一种基于改进DeepLabv3+的图像分割方法。通过增加的YOLOF模块与Resnet模块，进一步扩大感受野同时获取到更精确的裂缝特征图，为了验证本文改进算法的有效性，将大量实际桥梁裂缝图像作为原始数据集，将其与当前具有代表性的图像分割模型（如Mask R-CNN、DeepLabv3+）在相同数据集上进行对比。结果表明，本文算法在裂缝像素精度上相比Mask R-CNN、DeepLabv3+分别提高了12%与8%，平均像素精确度达到91.99%，平均交并比达到了81.43%，更加适用于桥梁裂缝分割任务，具有工程实际应用意义。