我国是一个海洋占地大国,占地面积高达300万平方米,拥有着及其丰富的海洋资源。随着我国人口的不断增长,陆地资源已经不足以满足人们的日常生产和生活需求,因此越来越多的人将目光转移到海洋资源上。近年来,海洋目标检测技术已经广泛应用于海产品捕捞、海洋生态系统健康评估和海洋生物多样性检测等领域。与传统图像检测相比,海洋目标检测相对困难,因为自然光在水下传播的过程中会被水中的悬浮微粒散射和被水吸收,导致人类所获取的水下图像清晰度较低。另外,光在水下的散射往往会模糊水下图像的细节,而光被水吸收通常会导致水下图像颜色的扭曲,导致相机摄取到的水下图像存在严重的蓝绿色色偏、对比度降低等问题。而水下图像是海洋生物目标检测的基础,以上问题的存在使得海洋生物目标检测面临着重大挑战。此外,现有的检测方法精度较好,但网络模型尺寸较大,计算速度较慢,难以满足对海洋生物实时检测的需求。针对以上问题,本文将水下图像处理算法作为海洋生物目标检测网络的预处理部分并对海洋生物目标检测网络进行优化改进,设计了一种基于深度学习的海洋生物目标检测系统,该系统分为网络预处理部分和海洋生物目标检测部分。在网络预处理部分中,设计了一种基于多尺度Retinex的水下图像增强算法,该方法通过转换水下图像的颜色空间,然后利用双边滤波作为多尺度Retinex算法的环绕函数估计V分量,获得反射V分量,最后利用CLAHE对反射V分量、初始H分量和初始S分量分别进行对比度增强后合并转换至RGB颜色空间得到最终增强后的水下图像。选取五个图像质量评价指标,从主客观两个方面对增强效果进行对比分析,验证了本文算法的有效性,为后续海洋生物目标检测提供优质的海洋生物图像数据集。在海洋生物目标检测部分中,基于YOLOv5s网络框架,Shufflenet轻量级网络以及嵌入CBAM注意力模块设计出一种基于注意力机制的轻量化网络（S＿CYOLOv5s）,随机选取5350张海洋生物图像作为训练集对不同网络进行训练,从平均精度均值、精确率、召回率、参数量和推理时间五个方面对比分析,经过600次训练后,S＿CYOLOv5s网络的平均精度均值在交并比为0.95时达到了79.99%,相比原始YOLOv5s网络略有下降,约0.83%,但是模型大小减小了14.45MB,约53.9%。该网络不仅能大幅度降低模型的大小,还能保证较高的识别精度,实现了精度和速度的平衡。