La segmentación de imágenes de barcos visibles es una parte importante de los sistemas de monitoreo inteligente de barcos. Sin embargo, esta tarea se enfrenta a muchas dificultades en aplicaciones prácticas, como entornos de fondo complejos, variaciones en la iluminación y cambios en la escala del objetivo. Frente a estas situaciones, presentamos una red decodificadora de doble rama con un módulo residual en cascada multiescala para la segmentación de barcos. Específicamente, en la etapa de codificación, introducimos un módulo residual en cascada multiescala como reemplazo de las capas convolucionales tradicionales. Al aprovechar su arquitectura multiescala, el módulo captura de manera efectiva tanto el contexto global como los detalles finos. En la fase de decodificación, nuestro marco incorpora dos ramas paralelas, ambas utilizando el módulo residual en cascada para mejorar la extracción y representación de características. Además, una de las ramas está equipada con mecanismos de atención espacial y de canal. Finalmente, se realizaron pruebas exhaustivas en los conjuntos de datos de barcos disponibles públicamente MariBoatsSubclass y SeaShipsSeg. Nuestra red propuesta logró resultados impresionantes, con puntuaciones de Dice, Recall, Mcc y Jaccard de 0.9003, 0.9105, 0.8706 y 0.8197 en el conjunto de datos MariBoatsSubclass. Del mismo modo, demostró un rendimiento sobresaliente en el conjunto de datos SeaShipsSeg, alcanzando puntuaciones de Dice, Recall, Mcc y Jaccard de 0.9538, 0.9501, 0.9519 y 0.9129, respectivamente. Estos resultados resaltan la precisión y robustez superiores de DBD-Net en la segmentación y detección de barcos en diversos escenarios y conjuntos de datos.