随着世界各国海上贸易、货物运输以及海底能源勘探等活动力度加大,导致海上事故频发,快速定位事故发生地点成为应急救援的关键。无人机具有体积小、速度快、成本低的优势,被广泛应用到海上救援项目中,但是通过无人机拍摄到的图片目标物成像小,并且海上环境复杂多变,导致成像效果差,不利于后续目标检测。针对这些问题,本文基于YOLOV4 Tiny算法,加入预处理操作,分别引入增强感受野思想和自注意力机制思想,提出两种可快速定位海难发生位置的检测算法,研究工作如下:（1）针对传统数据集很少包含海洋小目标物体的问题。本文通过无人机拍摄以及收集公开数据集等方式,制作海面目标数据集。自制数据集共2000张图片,共包含船艇和落水人员两类。由于雾天收集海上相关数据集较为困难,并且更新数据标签成本很大,本文基于大气物理模型对原图片做加雾处理,模拟出海上薄雾和厚雾两种天气场景。（2）针对海上环境复杂多变,目标物受雾气遮挡,从而影响后续检测效果的问题。本文采用基于大气散射模型的去雾算法对原始图片做去雾处理,将去雾处理后的图片输入到主干网络,这一做法可以有效提高目标检测精度。（3）针对传统目标检测算法难以捕获到小目标特征信息,导致小目标物体识别困难的问题。本文引入增强感受野思想,提出一种基于RFB模块改进的增强感受野模块。为了降低模型参数量减少算力消耗,本文去除RFB模块原有大卷积。改进后的RFB模块由3个并联1×1卷积以及3个3×3空洞卷积组成,保证增大感受野的同时不会增加太多参数量。本文基于增强感受野提出的RFB-YOLOV4 Tiny算法相较于YOLOV4 Tiny算法的检测精度提升了约4个百分点。（4）针对传统目标检测算法在特征提取过程中容易受到噪声影响的问题。本文引入自注意力思想,提出一种基于CBAM模块改进的自注意力模块。首先在通道注意力维度中使用一维卷积替换全连接层完成跨通道间的信息交互,使得参数量下降到常数级。其次在空间注意力中采用卷积核大小为3的空洞卷积来替换7×7的卷积,这样既可以增大感受野,也可以有效减少参数量。本文基于自注意力机制提出的ECAM-Tiny算法相较于YOLOV4 Tiny算法的检测精度提升了约6个百分点。本文提出了两种可快速定位海难发生位置的检测算法:RFBYOLOV4 Tiny和ECAM-Tiny。RFB-YOLOV4 Tiny是YOLOV4 Tiny引入增强感受野提出的检测算法,ECAM-Tiny是YOLOV4 Tiny结合自注意力机制提出的检测算法。