在钢筋混凝土桥梁上进行裂缝检测是保证桥梁安全的一项重要任务。及时有效地对桥梁表观裂缝进行检测,可以对桥梁整体状况实时监测,进而对裂缝及时修复,将有效延长桥梁的使用与工作寿命。因此,对桥梁表观裂缝自动检测技术的研究具有一定的经济价值与实用价值。在实际场景中,钢筋混凝土桥梁上的表观裂缝往往表现出低照度、不连续性和模糊的边缘,这为基于传统算法的裂缝自动化检测带来了挑战。另一方面,通过智能桥梁检测机器人采集了海量的桥梁表观图片,那么开发一套能实时检测、应用于工业海量图片的快速自动化检测算法显得尤为重要。因此,如何提升模糊裂缝检测的准确率并实现快速裂缝检测,是裂缝识别检测领域的重要研究课题。为了提升模糊裂缝检测的准确率,本文提出了基于深度学习的层级空洞卷积块网络（Hybrid Dilated Convolutional Block-Network,HDCB-Net）用于裂缝的像素级检测。具体来说,我们将层级空洞卷积块（HDCB）添加到网络结构中,其可以学习判别裂缝的空间特征,能在不增加计算复杂度的情况下扩展卷积核的感受野（Receptive field）,并避免由空洞卷积产生的网格效应（Gridding effect）。最后,我们设计了仅包含少量的下采样阶段的HDCB-Net结构,减少了在下采样阶段模糊裂缝像素的损失并实现了合理的效率/精度折中。同时,为了快速检测海量的高分辨率图片（5120×5120像素）,使我们的算法能够应用于实时裂缝检测,我们提出了一种基于粗精检测相结合的两阶段快速检测算法。具体来说,在第一阶段,我们使用YOLOv4（You Only Look Once v4）过滤掉大量无裂缝的图片同时生成裂缝初步候选区域;在第二阶段,为了实现更为精确的病害结构分析,我们使用HDCB-Net从初步候选区域中进行更为精细的像素级裂缝检测。整个阶段采用重叠滑窗的方式将高分辨率图像分块送入网络检测,以此实现合理的效率/精度折中。通过对超十万张的桥梁表观图片的测试,实验结果表明HDCB-Net可以有效提升模糊裂缝检测的准确率,并且我们的基于粗精检测相结合的两阶段快速检测算法只需要0.64秒就可以处理一张5120×5120的高分辨率图片,实现了裂缝的实时自动检测。