目标检测技术是人工智能领域中一项必不可少的视觉任务,以定位图像或视频中的重点对象为主要目标。近年来,随着深度学习的兴起,以及软硬件性能的提升,目标检测技术已经在普通场景下取得了令人满意的效果。然而当检测场景相对复杂时,尤其是在水下场景中,常用的目标检测技术难以准确定位目标。而且当检测目标体积较小时,检测难度更大。因而需要设计一种更先进的检测技术来针对性解决这个问题。为此,本文提出了一种针对水下场景的小目标检测算法,可以有效规避水下场景中的大量噪音,定位小目标,提升检测精准度。主要贡献如下:针对水下场景中的小物体,本论文设计了一个多尺度超分辨网络（Multiscale Hyper Network,MPENet）。为了提取有利于物体分类的高级语义特征,该网络首先设计了多个下采样模块。经过多次下采样操作之后,特征图空间分辨率降低,导致大量特征信息丢失。因此,论文在MPENet中添加了多个上采样模块用于恢复高分辨率的特征图,同时设计了扩张卷积模块来补充因下采样操作而丢失的有效信息,从而大幅提升小目标检测精度。经实验验证,MPENet可以有效检测水下场景中的小物体,并且性能超越了URPC2017比赛中的冠军模型。另外,本论文设计了一种基于注意力机制的轻量级目标检测网络（Attention Based Shadow Network-YOLOv3,ABShadow Net-YOLOv3）,并将其用于高级语义特征提取。ABShadow Net-YOLOv3包含了多个ABShadow模块,该模块利用注意力机制分段提取特征,减少了卷积操作过程中的大量参数,降低了模型算力。除此之外,论文对YOLOv3模型进行优化改进,即将YOLOv3中参数量较大的主干网络Darknet53替换为轻量级网络ABShadow Net,参数量更少,性能更优,并进一步提高了目标检测的实时性。为证明所设计模型可以有效检测水下场景中的小物体,论文进行了大量实验,从实验结果可以看出,该模型性能已明显优于URPC2019水下目标检测比赛的冠军模型。