Con el desarrollo de la industria de visión inteligente, la tecnología de detección e identificación de barcos se ha convertido gradualmente en un tema de investigación candente en el campo del seguro marítimo y la logística portuaria. Sin embargo, debido a la interferencia de la lluvia, la neblina, las olas, la luz y otros fenómenos climáticos adversos, la robustez y efectividad de los algoritmos de detección existentes siguen siendo un desafío continuo. Por esta razón, se propone un algoritmo mejorado YOLOv8n para la detección de objetivos de barcos bajo condiciones ambientales imprevistas. En el método propuesto, se introduce el módulo de atención eficiente a múltiples escalas (C2f_EMAM) para integrar la información de contexto de diferentes escalas, de modo que la red neuronal convolucional pueda generar una mejor atención a nivel de píxeles en mapas de características de alto nivel. Además, se adopta una red piramidal de características bidireccional totalmente concatenada (Concatenate_FBiFPN) para reemplazar la simple superposición/adición de mapas de características, lo que puede resolver mejor el problema de propagación de características y flujo de información en la detección de objetivos. También se diseña una estructura rápida de agrupación piramidal espacial mejorada (SPPF2+1) para enfatizar las características de agrupación de bajo nivel y reducir la profundidad de agrupación para adaptarse a las características de información del barco. Se realizó un experimento de comparación entre otros métodos principales y nuestro algoritmo propuesto. Los resultados mostraron que nuestro algoritmo propuesto superó a otros modelos al lograr un 99.4% de precisión, 98.2% de precisión, 98.5% de recuperación, 99.1% de mAP@.5 y 85.4% de mAP@.5:.95 en el conjunto de datos SeaShips.