Los robots submarinos que utilizan imágenes ópticas para la detección dinámica de objetivos a menudo se encuentran con problemas de borrosidad de imagen, bajo contraste y características de objetivo poco claras. Como resultado, los robots submarinos tienen un rendimiento deficiente en la detección con una alta tasa de detecciones perdidas. Para superar estos problemas, se ha propuesto en este artículo un algoritmo mejorado de detección de objetivos submarinos. Basado en YOLOv7, se ha desarrollado un módulo de mejora de características que utiliza un mecanismo de triple atención para mejorar la capacidad de extracción de características de la red sin aumentar la cantidad de parámetros computacionales o algorítmicos. Además, considerando de manera integral el impacto de una característica redundante en las imágenes en la precisión de la detección, se construyó la estructura ASPPCSPC. Se introdujo una estructura de agrupación convolucional espacial paralela basada en la estructura original de fusión piramidal de características, SPPCSPC. Se utilizó la red GhostNet para optimizar su módulo de convolución, lo que reduce la cantidad de parámetros del modelo y optimiza el mapa de características. Además, se diseñó una estructura Cat-BiFPN para abordar el problema de pérdida de información detallada en la fusión de características de YOLOv7 mediante la adopción de una estrategia de fusión no lineal ponderada para mejorar la adaptabilidad del algoritmo. Utilizando el conjunto de datos en alta mar UPRC para validación, la precisión de detección del algoritmo se incrementó en un 2,9%, y la tasa de recuperación se mejoró en un 2,3% en comparación con el algoritmo YOLOv7 original. Además, la cantidad de modelo se reduce en un 11,2%, y el tamaño del modelo se comprime en un 10,9%. Los resultados experimentales establecen significativamente la validez del algoritmo propuesto.