Aunque el océano es rico en energía y cubre una gran parte del planeta, los resultados actuales de la identificación de objetivos submarinos no son suficientes debido a la complejidad del entorno submarino. Se propone una técnica mejorada basada en YOLOv8 para resolver los problemas de baja precisión de identificación y baja calidad de imagen en la detección de objetivos de los robots submarinos actuales. En primer lugar, considerando el problema de los parámetros del modelo, solo se modifica la convolución de la novena capa, y se diseña una convolución deformable para que sea adaptativa. Se reemplazan ciertas partes de la convolución original con DCN v3, para abordar el problema de la deformación de fotos submarinas con menos parámetros y capturar de manera más efectiva la deformación y los detalles finos de los objetos submarinos. En segundo lugar, se mejora la capacidad de reconocer objetivos a múltiples escalas mediante el empleo de SPPFCSPC, y se mejora la capacidad de expresar características al combinar características semánticas de alto nivel con características superficiales de bajo nivel. Por último, el uso de la función de pérdida WIoU v3 en lugar de la función de pérdida CIoU mejora el rendimiento general del modelo. El algoritmo mejorado mAP logra un 86.5%, un aumento del 2.1% sobre el modelo YOLOv8s, según los resultados de las pruebas del agarre del robot submarino. Esto satisface las necesidades de detección en tiempo real de los robots submarinos y mejora significativamente el rendimiento del modelo de detección de objetos.