针对海上搜救行动中海面目标检测任务所面临的高动态背景干扰、多尺度目标检测、小目标特征信息易丢失等问题，本研究基于特征增强、自适应特征融合的思想，以YOLOv8网络为基线模型，提出了一种改进的TS-YOLOv8网络：首先，基于Transformer中的查询机制设计了TFF(Transformer-based Feature Fusion,TFF)模块，通过不同尺度特征之间的深度信息交互，对各特征层实现特征增强，然后再利用可学习参数对各层特征进行自适应特征融合。其次，引入了几乎无参数的Shuffle Attention注意力机制，在保持网络轻量化的同时捕捉到更多复杂的特征信息。在AFO数据集上，通过与多种主流检测算法的对比实验以及多组消融实验，本方法的m AP50达到了95.14%，相较于基线模型提升了5.6%,m AP95提升了7.38%，检测速度达到了110帧/s。在SeaDronesSee数据集上，通过多组消融实验，本方法的m AP50达到了91.34%，相较于基线模型提升了4.47%,m AP95提升了5.92%，检测速度达到了106帧/s。这些结果充分满足了海上搜救任务的苛刻要求。
