水面垃圾、泛滥的水生植物、水华等水面漂浮物对水环境安全造成严重威胁,及时发现水面漂浮物从而对其进行打捞和清理是构建清洁、安全水环境的重要措施。水面漂浮物检测是智能监控技术与水面环境监管业务的深度融合,但目前该方向的研究主要集中在分散个体漂浮物的监测上。针对水面漂浮物检测领域对聚集型漂浮物关注较少的问题,构建了包含聚集型垃圾和水体污染场景的水面漂浮物检测数据集MW-Float。此外,提出了一种基于指数函数的学习率衰减方案设计算法,该算法旨在快速找到较合适的学习率衰减值使模型收敛,并确定学习率衰减节点和训练周期。通过多组对比实验详细展示了使用该算法设计YOLOv3模型的学习率衰减方案的过程,并将得到的学习率衰减方案与使用余弦退火衰减策略的学习率方案进行了对比。实验结果表明,使用前者的YOLOv3模型损失函数均可收敛,验证了所提出算法的有效性,并且在其他参数相同的情况下,前者实验得到的均值平均精度（mean Average Precision,m AP）高于后者。针对YOLOv3模型检测速度快但精度略低的问题,提出了在YOLOv3模型的通道维度融入SE注意力模块的检测模型S-YOLOv3。该模型使用K-means++算法取代K-means算法聚类数据集标注框尺寸,减少因随机选择初始聚类中心带来的负面影响。另外,对YOLOv3模型的损失函数中定位损失进行了改进,引入GIo U Loss提升定位精度。实验结果表明,S-YOLOv3在MW-Float上相较于YOLOv3和其他水面目标检测领域常用模型而言,检测性能优于其他模型,m AP达到了83.1%,可基本满足水面漂浮物检测需求。