La detección de intrusos extranjeros es vital para garantizar la seguridad del transporte ferroviario. Recientemente, se han aplicado algoritmos de detección de objetos basados en aprendizaje profundo en una amplia gama de campos. Sin embargo, en entornos ferroviarios complejos y volátiles, todavía existen altas tasas de detección falsa, detección perdida y baja puntualidad en los métodos tradicionales de detección de objetos. Para abordar estos problemas, se propone un enfoque eficiente de detección de intrusos extranjeros ferroviarios SDRC-YOLO. Primero, se propone un mecanismo de atención híbrido que fusiona la capacidad de representación local para mejorar la precisión de identificación de objetivos pequeños. En segundo lugar, se propone DW-Decoupled Head para construir un canal de características mixtas que mejore la capacidad de localización y clasificación. En tercer lugar, se aplica un núcleo de convolución grande para construir un campo receptivo más grande y mejorar la capacidad de extracción de características de la red. Además, se emplea el operador de muestreo universal ligero CARAFE para muestrear el tamaño y la proporción de las características del cuerpo extraño intruso con el fin de acelerar la velocidad de convergencia de la red. Los resultados experimentales muestran que, en comparación con el algoritmo YOLOv5s de referencia, SDRC-YOLO mejoró la precisión promedio media (mAP) en un 2,8% y 1,8% en los conjuntos de datos RS y Pascal VOC 2012, respectivamente.