随着工业进步和社会发展,水面漂浮物污染问题严重影响着人类的生产生活,对水体质量进行实时检测是水体质量管理和漂浮物污染防治的重要环节。由于水面环境的复杂性,水面图像具有光照不均、易被噪声污染、易受天气影响等特点,使得水面漂浮物检测具有一定的特殊性,传统的目标检测算法在受到外界环境或噪音干扰等情况下特征提取能力有限。本文以水面漂浮物（水葫芦、蓝藻、浮猪、船舶等）为检测对象,构建水面漂物目标检测模型,解决真实场景中的水面漂浮物实时检测问题,对于推进水面环境检测向智能化方向发展具有实际意义。（1）针对现有数据集样本质量差、差异大等问题,对应用场景的实际情况进行分析,采集摄像头输出的实时图像作为水面漂浮物数据集样本。为了解决水面目标样本数量有限及类不平衡的问题,将单样本数据增强与Borderline SMOTE算法相结合,完成对水面漂浮物数据集预处理,最后通过图像标注和格式转换完成对数据集构建,并对数据集进行综合评估。（2）针对传统目标检测算法在水面环境检测过程中性能低、精度差等问题,对比Faster-RCNN、SSD以及YOLOv5检测算法在水面漂浮物数据集的检测性能。简要叙述三大经典目标检测算法的原理、网络结构和损失函数,完成检测网络超参数设置,利用准确率、召回率、回归损失和分类损失等评价指标对网络模型性能评估,最终选择综合性能最优的YOLOv5作为后续改进的基础模型。（3）为了提高YOLOv5目标检测算法的检测精度,设计CA-IA＿YOLOv5水面漂浮物目标检测模型。在输入端中引入平滑标签将样本标签进行软化;在主干网络中引入坐标注意力机制对感兴趣目标完成精准的定位和识别,并设计一种稀疏连接的残差结构在降低网络参数量的同时增加网络感受野;在颈部网络中引入自适应空间特征融合算法的PANet结构,自适应地筛选不同尺度间相互冲突的信息;使用CIOU＿Loss作为回归损失函数,将边界框的距离信息和尺度信息相结合,加快网络回归和分类的收敛速度。（4）使用Py Charm作为开发环境、结合Redis数据库、Pytorch深度学习图像识别框架、PC服务器和高清摄像头搭建水面漂浮物目标检测系统,将训练好的CAIA＿YOLOv5网络移植到水面漂浮物检测模型,进行总体调试分析和实际部署,实现漂浮物在线检测和实时推送。