海洋中的航行安全主要依靠船员的航行经验以及对海上物体进行肉眼的分辨,这对于海上事故的发生埋藏了隐患。冰山事故、船只触礁、动物碰撞都是近年来发生过的惨痛教训,因此对于海上危险物体的排除是避免事故的重要措施。随着无人机、卫星、摄像头等技术的发展,图片的获取变得相对容易,因此对于海上漂浮物的具体类别以及所处位置可以通过图片进行获取和分析。但是传统的检测需要大量人员的加入,不仅对损耗大量的人力物力,同时效率并不尽如人意,因此利用目标检测技术对海上漂浮物进行快速检测,进行异常漂浮物的快速检查以及危险的快速分析,对于水上安全以及危机发生后的安全救援都起着重要的作用。虽然在深度学习的驱动下,目标检测技术已经有了跨越式的发展,但是由于水上情况复杂,船只、天气等因素的影响需要对图像检测提出更高的要求。图像遮挡、背景干扰等问题仍然亟待解决,其对于检测的准确率影响巨大。因此,本文将研究基于深度学习的海上漂浮物检测算法,该方法可以为水上人员的危险研判提供技术支撑,对于水上作业以及事故救援都具有十分重要的意义。本文针对海上漂浮物的检测难点从事了以下几项研究工作:（1）针对海上漂浮物的数据集问题,本文选取实际拍摄的海上物体与公共数据集图片进行混合,并对所有海上存在的漂浮物体使用Label Img软件进行数据标注。通过本文收集制作的海上目标数据集对算法进行检测精度的分析,能够有效验证算法在实际海上场景中的应用能力。（2）在目标检测模型架构中,多尺度特征融合是其中的一个重要步骤,同时也是提升模型精度的重要手段,其对于海洋环境中图像模糊以及目标复杂也有着更加鲁棒的效果。通过在Efficient Det目标检测模型的基础上对特征融合方法进行改进,得到能够包含语义信息以及细节特征的多尺度特征融合网络。浅层的空间和细节特征,深层的语义信息,二者相融合的特征层具有更强的特征表达能力,能够更好地适应海洋环境下的低分辨率以及多目标问题,对于模型的检测性能有更进一步的提升。在通用数据集以及海上目标数据集中,改进之后的算法都有明显的精度提升。（3）感受野关乎目标特征的抽象层次,影响检测模型的性能。通过增加感受野增强模块,对于目标地尺度变化以及遮挡进行处理。经过主干网络提取出的特征的感受野,通过类Inception模块增加多尺度的感受野以及矩形的感受野。通过添加基于通道注意力机制对拥有依赖关系的通道的特征映射方式进行改进。在通用数据集以及海上目标数据集中,改进之后的算法都有明显的精度提升。