【摘要】针对合成孔径雷达（ ＳＡＲ） 图像舰船检测在复杂背景下小型舰船目标易出现漏检、误检等问题，本文提出了一种基于ＹＯＬＯｖ１１改进的ＳＡＲ图像目标检测方法，用于提高复杂背景下小目标检测准确率。 首先在快速金字塔池化层（ ＳＰＰＦ）前引入非局部注意力（ＮＬＡ）模块，设置中间通道数为原通道的一半，并摒弃其中的最大池化操作，保留更多的空间信息，通过与 ＳＰＰＦ 层级联，实现对ＳＡＲ图像的在全局特征背景的多尺度特征提取；其次，模型引入高效多尺度注意力（ＥＭＡ）模块替换Ｃ２ＰＳＡ中的多头注意力模块，将原有架构中的３×３卷积替换为方向性卷积，构建新的Ｃ２ＰＳＡ＿ＥＭＡ模块，增强ＳＡＲ图像舰船方向性特征提取能力。 实验结果显示：与原始ＹＯＬＯｖ１１模型相比，改进模型较之原始模型在单舰船检测数据集（ ＳＳＤＤ） 上的精确率提升了０.６１％，召回率提升了２.７３％，平均精度提高了１.０５％。 复杂背景下，模型的稳定性与小目标检测能力均得到了大幅提升，验证了改进模型的有效性。