裂缝检测是评估结构损伤程度的重要步骤,为了实现自动化裂缝检测,需要把裂缝从图像中分割出来。基于图像的裂缝自动检测是保证硅酸盐水泥混凝土和沥青混凝土路面安全性和耐久性的一项重要任务。路面的破坏取决于许多原因,包括水的入侵,来自重负荷的应力,以及所有的气候影响。一般来说,裂缝是路面出现的第一个问题,适当的监测和维护以防止裂缝蔓延或形成是重要的。传统的裂纹检测和测量算法耗时长,效率低。因此,自动裂纹检测和测量方法的性能优于传统方法,越来越受到研究人员的重视。随着计算机视觉的发展,特别是深度学习在计算机视觉上的应用,存在很多对裂缝图像分割问题的研究。但是当前的研究侧重点多是应用最新算法提高裂缝分割的准确率,目前对于深度学习算法如何应用到端上进行实时分割的算法较少。在裂缝图像中,裂缝信息可以转换成高频和低频分量,高频和低频分别聚焦于裂缝的细节和整体结构。不同卷积层的输出特征图可以定义为高频和低频的信息融合。在本文中,我们提出了一种基于U-Net架构的分频卷积（Octave Convolution）神经网络和分层特征（Hierarchical Feature）学习模块融合的框架,称为Octave-H。我们提出将分频卷积用于执行自动化道路裂缝检测,采用分频卷积算法能够提取不同高低频特征图,获得精细的细节裂缝和全局裂缝信息。同时,提出了分层特征学习模块,将高低不同频率卷积层的多尺度特征图融合,用于执行像素级的裂缝预测和检测。为了验证提出的Octave-H方法的优越性,我们利用公共数据集CFD和Aigle RN对提出的方法进行验证。实验结果表明,与其它算法相比,本文提出的Octave-H算法具有较好的性能。