侧扫声呐图像目标检测在水下研究领域起着至关重要的作用。然而,声呐图像存在的复杂背景、严重噪声干扰和形状各异的多类别目标等问题会严重影响目标检测模型的性能。传统方法严重依赖人工特征,导致模型难以对声呐图像中的目标进行高效检测。近年来,日新月异的计算机视觉技术使深度学习得到高速发展,能够完成复杂检测任务,因此功能更为强大的深度学习更适合于侧扫声呐图像目标检测。本文基于对侧扫声呐图像特点与单阶段目标检测算法YOLOv3的分析研究,提出一种多维度特征融合的算法Improved YOLOv3,具体研究内容如下:首先,在特征融合部分,针对特征金字塔网络的单向信息传递问题,提出增加自底向上的路径形成双向特征融合,通过充分利用浅层特征,使模型能够更加清晰地学习到图像中具有的细节信息,增强网络融合不同层次特征的能力;并针对YOLOv3不注重局部特征的问题,提出使用最大池化将局部特征加入到全局特征中,能够赋予特征图更强的表达能力,优化网络对于同层次特征的融合。在损失函数部分,针对YOLOv3损失函数将原本具有联系的坐标信息与宽高信息分别进行不同类型计算的问题,提出引入基于IOU的损失函数,能够在信息之间建立起更完整的联系,达到优化模型训练过程的目的。其次,针对样本过少会影响训练效果的问题,提出使用Mosaic对图像进行数据增强,增加单张图片的丰富度;并使用dropblock正则化方法,以块的形式删除特征,能够更大程度覆盖目标,达到使特征在训练过程中不易被修正的目的;以及提出在骨干网络中使用Mish激活函数,将信息传播到更深的神经网络,从而训练出准确度更高的模型。本文通过多组实验对改进算法进行有效性验证,根据实验结果,证明改进算法能够得到更高的准确度和置信率、更准确的预测框尺寸和位置、有效去除重叠框、漏检目标被成功检出以及误检目标得到有效纠正,其准确度较YOLOv3提高了8.3%,从而为所依托的“水下敏捷机器人协同作业平台”项目提供侧扫声呐图像目标检测模型。