Las imágenes de sonar de barrido lateral (SSS) presentan desafíos únicos para la visión por computadora debido a su menor resolución, objetivos más pequeños y menos características. Aunque las redes neuronales convencionales han mostrado resultados prometedores en tareas de visión tradicionales, utilizan convoluciones tradicionales para reducir la dimensionalidad de los mapas de características, lo que puede causar pérdida de información para objetivos pequeños y disminuir el rendimiento en imágenes SSS. Para abordar este problema, basándonos en la red yolov8, propusimos un nuevo modelo de detección de objetivos submarinos basado en un muestreo ascendente y descendente. En primer lugar, introdujimos un nuevo módulo general de muestreo descendente llamado muestreo de características robustas superficiales (SRFD) y una convolución de campo receptivo (RFCAConv) en la red principal. De esta manera, múltiples mapas de características extraídos por diferentes técnicas de muestreo descendente pueden fusionarse para crear un mapa de características más robusto con un conjunto complementario de características. Además, se introduce un módulo de muestreo ascendente dinámico ultraligero y eficiente (Dysample) para mejorar la precisión de la red de pirámide de características (FPN) en la fusión de diferentes niveles de características. En el conjunto de datos de naufragios submarinos, el mAP50 de nuestro modelo mejorado aumentó un 4.4% en comparación con el modelo base.