在城市规划与园林景观中,人工养护的草坪起到美化环境的作用,但是各类草坪杂草的滋生,严重损害了景观草坪的观赏性。而人工辨识杂草费时费力,影响后续除草工作的开展。伴随着计算机视觉技术的飞速发展,使用计算机自主检测草坪杂草的构想逐渐变为现实。因此,此论文研究改进现有的Retina-Net目标检测模型,提升其在自然环境下对草坪杂草目标的检测精度。首先,收集闽东地区六类常见草坪杂草的图像,分别为犁头草,积雪草,阿拉伯婆婆纳,紫爵床草,羽衣草和酢浆草。借助OpenCV软件去除摄影中产生的噪点噪声和背景中生长的观赏草种。使用LabelImg软件添加杂草标签,借助数据增强的方法,扩充杂草训练集图像数量。最终制作生成包含28833个杂草样本的草坪杂草数据集。其次,使用空洞卷积、三叉戟块和中心差分卷积,构建全新的多尺度特征模块（CMSF）,增强网络对不同尺度杂草目标的特征提取能力。将CMSF与Retina-Net模型原有的特征金字塔模块融合,构建全新的多尺度特征金字塔模块（CM-FPN）,充分挖掘不同尺度的杂草特征信息。然后,在模型中引入注意力机制。深层连接高效通道注意力机制（ECA）,串联空间注意力机制（SAM）。注意力机制引导模型将计算机算力资源集中在蕴含杂草信息的元素点上。最后,更新Retina-Net模型预测器模块的回归损失函数和分类损失函数。引入基于中心交互比的边界框回归损失函数（CIoU Loss）,基于梯度协调机制的分类损失函数（GHM Loss）,替换原有的损失函数。并通过若干次对比试验,确定损失函数中超参数的取值,提高网络模型针对杂草目标的分类精度和框选精度。本次研究所设计的Retina-Net改进模型,在PASCAL VOC 07+12数据集中的平均精度均值（mAP）为84.9,较Retina-Net基线模型上升3.5。对6类草坪杂草目标检测的F1值分别为:90.48%、90.13%、85.82%、94.55%、91.79%、86.76%。相比较于其他主流一阶目标检测神经网络模型,识别率分别提高4.52%至12.39%不等。本研究中设计的Retina-Net改进模型,对多类别目标检测具有较好的泛用性,对于闽东地区自然环境下生长的常见草坪杂草具有较高的检测精度。