对基础设施（如道路和建筑物）中的裂缝进行检测与分割，对于保障安全及实现成本效益高的维护至关重要。尽管深度学习具有巨大潜力，但在实现高精度结果以及应对多种类型裂缝方面仍面临挑战。为此，本文提出了一个新的数据集与模型，旨在提升裂缝检测能力并优化基础设施维护。我们提出了一种基于编码器-解码器架构的新型方法——Hybrid-Segmentor，该方法能够同时提取裂缝的细粒度局部特征与全局特征，从而增强模型在识别不同形状、表面纹理及尺寸裂缝方面的泛化能力。为在保证模型高泛化性能的同时降低计算开销，以满足实际应用需求，我们在编码器层级引入自注意力机制，同时简化了解码器的结构复杂度。实验结果表明，所提出的模型在五个定量评估指标上均优于现有基准模型，具体表现为：准确率0.971、精确率0.804、召回率0.744、F1分数0.770以及交并比（IoU）0.630，达到了当前最先进的水平。