针对复杂条件下桥梁裂缝检测方法效率低下、检测精度低及漏检率高等问题，提出了一种基于改进YOLOv8的轻量化算法YOLOv8-ALTE。以YOLOv8-N模型为基础，首先将其C2f模块融合一种具备感知多尺度特征信息的轻量化卷积模块ALConv，以此来丰富所提取特征图中的裂缝信息；其次在网络骨干Backbone特征提取模块的浅层网络中加入三元注意力机制，以此来提高模型对桥梁裂缝病害的定位及识别准确度；此外通过参数共享的思想设计出了一轻量化解耦头来代替原模型解耦头模块，从而可有效降低模型的计算复杂度；最后通过引入MPDIoU损失函数来代替原回归损失函数，使模型可具备更高的边界框回归效率及精度。与此同时，通过人工标注的方式构建了多种复杂背景条件下的桥梁裂缝图像数据集，并采取多种数据增强方式来对裂缝数据集进行整理及扩充，其后利用精确率P及召回率R、平均精度中的AP0.5与AP0.5-0.95及计算复杂度FLOPs来作为数字化定量评价指标，并依次通过对比、模块融合、注意力结合及消融试验来对模型进行综合评估。研究结果表明：YOLOv8-ALTE的精确率、召回率、平均精度中的AP0.5与AP0.5-0.95及计算复杂度分别为93.9%、83.5%、89.0%、73.8%及8.0G，在综合性能上均优于原YOLOv8-N及各个对比模型，从而论证了所提出的改进算法YOLOv8-ALTE在运算效率提升的同时还可对桥梁裂缝进行高效且精确的识别。