En el campo médico, el análisis de sangre es un método clave utilizado para evaluar el estado de salud del cuerpo humano. Los tipos y la cantidad de células sanguíneas sirven como criterios importantes para que los médicos diagnostiquen y traten enfermedades. Ante los problemas relacionados con la difícil clasificación y la baja eficiencia en la detección de células sanguíneas, este artículo propone un algoritmo de detección de objetivos de células sanguíneas mejorado YOLOv5-BS. El propósito de la mejora es mejorar el rendimiento en tiempo real y la precisión del reconocimiento del tipo de célula sanguínea. El algoritmo se basa en YOLOv5s como red básica, incorporando las ventajas de las arquitecturas CNN y Transformer. Primero, se incorpora la red de base BotNet. Luego, la arquitectura de la cabeza YOLOv5 se reemplaza con la estructura de cabeza desacoplada. Finalmente, se utiliza una nueva función de pérdida SIoU para mejorar la precisión y eficiencia del modelo. Para detectar la viabilidad del algoritmo, se realizó un experimento comparativo. El experimento muestra que el algoritmo mejorado tiene una precisión del 92.8% en el conjunto de pruebas, una precisión promedio del 83.3% y una tasa de recuperación del 99%. En comparación con YOLOv8s y PP-YOLO, la precisión promedio se incrementa en 3.9% y 1%, y la tasa de recuperación se incrementa en 3% y 2%. Este algoritmo mejora eficazmente la eficiencia y precisión de la detección de células sanguíneas y mejora efectivamente el problema de la detección de células sanguíneas.