目前,水环境中垃圾污染的问题日益严峻。漂浮在水面或者堆积在岸边的垃圾,人工尚且能够进行清理,而沉积在水下的垃圾若采用人工清理方式则效率低下,并且工作人员安全得不到保障。垃圾长期处在水中,会严重威胁到人类健康和生态环境,这一难题在水下自主机器人的出现并不断发展后得到了解决。在水下机器人清理垃圾的过程中,对垃圾进行快速准确的检测极为重要,然而复杂的水下环境使得成像效果差,且移动设备普遍存在计算资源和存储资源有限的问题,在很大程度上影响检测精度和检测速度。针对上述问题,本文提出了一种高效且轻量的水下垃圾检测方法。针对水下成像过程中出现的对比度低、色偏和雾化等情况对检测精度造成负面影响的问题,本文提出基于图像融合的水下图像处理方法。通过对水下图像进行预处理得到Input1和Input2,解决水下颜色失真和噪声干扰的问题,随后提取输入图像中的多个权重图,对其进行归一化处理来实现多尺度融合,最后将融合后的图像进行复原,得到清晰的水下图像。实验结果表明,本文方法处理后的图像更清晰,具有较高的视觉质量,并且经过处理后的图像较原始图像检测精度有所提高。针对水下移动设备计算能力和存储能力有限的问题,本文提出了基于改进YOLOv5s的水下垃圾检测方法。通过将YOLOv5s主干网络替换为轻量化网络Mobile Netv3,使得网络参数量大幅减少,然后在网络结构中加入CBAM注意力模块,使特征图能够同时从空间维度和通道维度得到细化。实验证明,改进后的YOLOv5s网络的参数量和计算量均减少为基础网络的一半以上,不足的是网络检测精度和检测速度存在一定程度的下降。针对网络检测精度和检测速度较低的问题,本文提出基于过滤器剪枝的模型压缩方法,进一步减少网络计算成本和内存成本。通过稀疏训练得到参数稀疏的网络模型,再去除已训练模型中冗余的滤波器及其对应的特征图,然后进行重训练恢复检测精度。实验结果表明,相较于上述改进的YOLOv5s,网络压缩后的模型在检测精度和检测速度均有所提升,并且模型参数量和计算量也进一步减少。通过对整体网络模型进行改进,使得模型检测精度达到97.5%,参数量和计算量分别减少为基准YOLOv5s网络的1/10和1/5,在CPU上检测速度为YOLOv5s的2.5倍,最终证明了本文方法在计算资源和存储资源有限的硬件设备下,对网络检测精度和检测速度起到了较好的平衡作用,且能够有效协助水下自主机器人改善水环境问题,具有十分重要的现实意义。