研究背景与问题

在海洋探测与监测领域，水下目标检测是一个关键技术问题。然而，水下环境的光照条件通常较差，加上噪声干扰，给目标检测带来了诸多挑战。特别是小目标的检测，往往因为遮挡和误检、漏检问题，使得检测效果不理想。因此，如何提高水下目标检测的准确性和鲁棒性，成为当前研究的热点问题。

研究方法

针对上述问题，本文提出了一种基于YOLO11n改进的水下目标检测模型。该模型主要包含以下创新点： 1. 引入小波池化卷积网络（WPCN），通过小波池化技术分解特征，保留低频子带，有效避免频率混叠现象，提高特征提取的准确性。 2. 使用剪枝优化算法，在不牺牲检测精度的前提下，显著提高模型推理速度，降低计算复杂度。 3. 对模型进行细粒度调整，针对水下环境的特点，优化网络结构和参数设置，提升模型在小目标检测上的性能。

核心结果

实验结果表明，与传统的YOLO11n模型相比，本文提出的改进模型在水下目标检测任务上取得了显著的性能提升。具体表现在以下几个方面： 1. 检测精度提高：改进模型对小目标的检测准确率显著高于传统模型，尤其是在光照不足和噪声干扰的情况下。 2. 推理速度提升：通过剪枝优化，模型在保持高精度的情况下，推理速度得到明显提升，更适合实时应用场景。 3. 适应性增强：改进模型具有较强的鲁棒性，能够适应不同水下环境下的目标检测任务。

结论与意义

本文提出的基于YOLO11n改进的水下目标检测模型，在保持高检测精度的同时，显著提高了模型的推理速度，增强了模型的适应性。这对于水下探测与监测领域具有重要的实际意义。未来，我们将进一步优化模型结构，并探索更多先进技术，以期在水下目标检测领域取得更大的突破。

文章来源：《计算机系统应用》 网址: http://www.zgjzjzz.cn/qikandaodu/2025/1029/333.html