海洋锋是重要的中尺度海洋现象，具有数据量小、目标小、弱边缘等特性。针对实际检测任务中弱边缘、小目标海洋锋的检测精度低、错检及漏检率高等问题，融合scSE （spatial and channel Squeeze＆Excitation）空间注意力模块构建了一种改进的Mask R-CNN海洋锋检测模型。该方法首先对Mask R-CNN骨干网络结构进行改进，采用scSE模块引导的ResNet-50网络作为特征提取网络，通过加权策略对图像通道和空间位置进行特征突出，提升网络对重要特征的提取能力；其次，针对海洋锋目标边缘定位不准确的问题，引入IoU boundary loss构建新的Mask损失函数，提高边界检测精度。最后，为验证方法的有效性，从训练数据和实验模型上，分别设计多组对比实验。实验结果表明，相比传统Mask R-CNN、YOLOv3神经网络及现有Mask R-CNN改进网络，本文方法对SST梯度影像数据集上的强、弱海洋锋检测效果最好，定位准确率（IoU,Intersection-over-union）)及检测精度（mAP,Mean Average Precision）均达0.914以上。此外，对文中设计评估模型进行检测效率实验，结果发现在不同网络模型、不同迭代次数情况下，本文提出模型消耗时间最短，远低于YOLOv3网络完成训练时所用时长。