海难事故的不断发生,促使海上搜救成为必不可少的环节,其中人员搜救更是重中之重。一方面,红外成像技术借助自身的优势在军事、民事应用方面发展迅速。另外一方面,随着图像识别技术的不断更新,目标检测技术在可见光图像识别任务上性能突出。如果将两者技术相结合用于水面目标检测,红外可修复目标检测背景杂乱的缺陷,目标检测可填补红外技术自主检测效率不高的空白,可快速准确又高效地搜寻落水人员。针对落水人员符合海上弱小目标特征,本文基于YOLO网络的研究,分析研究主干网络改进和模块化改进,一定程度上提高了目标检测网络对弱小目标的检测效率。主要研究工作和研究成果包括:1)本文首先对数据集采取预处理操作,包括生成图像、增强数据、标注图像,其次丰富数据集并将其按8:1:1比例分配。2)为实现落水人员的实时搜救,本文在现有目标检测算法中引入轻量化网络理论,将运算复杂的主干特征提取网络改进为参数精简的Ghost Net。普通卷积与深度可分离卷积组成的网络模块参数量更少,该模块的引入使模型在训练时减少参数调用频率,有效地加快了网络训练速度,理论上提高了网络检测效率。3)本文在目标检测算法中引入注意力机制,在YOLOv4网络的主干特征提取层中插入混合注意力机制模块,抑制了部分无用背景信息并突出了目标信息,提高了网络在提取特征时的效率,一定程度上提高了落水人员等弱小目标的检测成功率。4)为进一步实现轻量化思想,本文设计了检测系统,进一步提高了目标检测的效率。5)本文通过几组对比实验验证了改进方法有效性,使用自定义数据集验证各网络模型,对比并分析训练结果指标。通过实验证明了本文改进方法有效可行,也验证了本改进网络在海面落水人员检测任务中具有良好的检测性能。