La monitorización eficiente de peces submarinos es fundamental para la protección de los ecosistemas marinos, la evaluación de la biodiversidad y la gestión sostenible de los recursos acuáticos. Para abordar la degradación de la robustez y la eficiencia de la detección causada por factores complejos del entorno submarino, este artículo propone un modelo dinámico de mejora de características FDN-YOLO (Red de Detección de Peces YOLO) basado en el marco YOLOv8n. Primero, se construye el módulo MDRF (Campo Receptivo Deformable Multiescala), que ajusta adaptativamente el campo receptivo efectivo para que la red troncal represente mejor los objetivos de peces de diferentes formas y tamaños; en segundo lugar, se diseña el módulo de muestreo descendente Lite SPD-DS (Lite Space-to-Depth Depthwise Separable), que mantiene eficazmente las pistas espaciales de alta resolución durante el muestreo descendente mientras controla la carga computacional; por último, se propone la función de pérdida AIVF Loss (Pérdida Varifocal Adaptativa consciente de IoU), que fortalece la capacidad de aprendizaje de muestras con una localización de alta calidad y alivia el sesgo de entrenamiento causado por la distribución desigual de clases y muestras. Los resultados experimentales basados en el conjunto de datos TF-DET muestran que los mAP50 y mAP50∶95 de FDN-YOLO mejoran en un 2.8% y 2.1%, respectivamente, mientras que la cantidad de parámetros y la carga computacional se reducen en un 13.3% y 16.0%, respectivamente. Experimentos comparativos de generalización ilustran además el excelente equilibrio de FDN-YOLO entre precisión, eficiencia y robustez, demostrando su potencial para aplicaciones en investigaciones ecológicas y gestión de recursos marinos basada en datos.

detección submarina;mejora dinámica;aprendizaje profundo;redes neuronales convolucionales;YOLOv8n