随着计算机视觉技术的不断发展,基于深度卷积神经网络的目标检测技术相较于传统机器学习算法在准确性和实时性方面都取得了突破性的提升。在海面环境下,通过使用基于深度学习的海面目标检测算法对浅层语义特征进行更深层的抽象表述,可以高效的提取帆船、轮渡、皮艇等海面目标的特征,从而提高检测精度。随着对模型精度要求的不断提升,现今的模型结构变得越来越复杂,因此导致了计算量和参数量的大幅增加,进而极大地阻碍了模型的实际部署和应用。本文主要研究内容包括:针对海面目标检测中存在的检测精度和模型大小无法平衡的问题进行研究和改进,提出了一种基于改进YOLOX的海面目标检测网络。设计了一个轻量级特征提取模块Ghost＿ECA,通过将ECA轻量级注意力机制集成在Ghostbottleneck中,可以在保证整体性能的同时,提高特征提取能力;使用桶型排列机制替换原有的特征提取网络排列方式,可降低模型的计算量和参数量;更换优化器为Adam,加快了模型的收敛速度;引入Focal Loss损失函数可以缓解正负样本之间的不平衡问题,从而提高检测精度。根据实验结果显示,该网络在海面目标场景检测方面表现良好。为追求更加轻量的网络模型,提出一种基于改进YOLOv5的海面目标检测网络。采用轻量级特征提取模块Shuffle Netv2 Block作为网络主干,减少了模型计算量和参数数量;使用加权双向特征金字塔模块取代了原有的特征融合模块,加强了网络对不同尺度特征的提取能力;引入坐标注意力机制,提高了模型检测的准确性。实验结果表明改进后的网络模型不仅提高了模型性能,而且减少了模型的计算量和参数量。最后使用PyQt5设计海面目标检测软件,针对软件需求设计功能模块和底层代码,融合基于改进YOLOv5的轻量级海面目标检测网络,验证其在实际应用中的效果。软件由三部分组成:视频数据处理模块、目标检测模型和用户交互界面,三个部分相互作用将模型效果直观的展示给用户。研究结果表明,本文所提的基于改进YOLOv5的轻量级海面目标检测网络有效的平衡了检测精度和模型大小。在SMD新加坡海事数据集和自制船舶数据集上进行实验,检测精度分别为89.7%、93.08%,计算量和参数量分别为3.12M、6.5MB。本文模型提高检测精度的同时降低了参数量和计算量,验证了改进算法的有效性。