Los objetos camuflados pueden ocultarse perfectamente en el entorno circundante mediante el diseño de su textura y color. Los modelos de detección de objetos existentes tienen altas tasas de falsos negativos y una localización inexacta para los objetos camuflados. Para resolver esto, mejoramos el algoritmo YOLOv8 basado en el mejoramiento de características. En la etapa de extracción de características, se construyó un módulo de mejora de bordes para mejorar la característica de los bordes. En la etapa de fusión de características, se introdujeron múltiples ramas de convolución asimétrica para obtener campos receptivos más grandes y lograr una fusión de características a múltiples escalas. En la etapa de post-procesamiento, se mejoró el algoritmo existente de supresión de no-máximo para abordar el problema de detección perdida causado por cajas superpuestas. Además, se diseñó un método de aumento de datos mejorado para mejorar la percepción de forma del modelo de los objetos camuflados. Se realizaron evaluaciones experimentales en conjuntos de datos de objetos camuflados, incluidos COD y CAMO, que son accesibles públicamente. El método mejorado muestra mejoras en el rendimiento de detección del 8,3% y 9,1%, respectivamente, en comparación con el modelo YOLOv8.