La detección de objetos submarinos, como el principal medio de detección ambiental submarina, juega un papel significativo en los campos económico, militar y ecológico marino. Debido a los problemas de degradación de las imágenes submarinas causados por la dominancia del color, el desenfoque y el bajo contraste, propusimos un modelo para la detección de objetos submarinos basado en YOLO v7. En el modelo de detección presentado, se construyó una rama de imagen mejorada para expandir la rama de extracción de características de YOLOv7, lo que podría mitigar los problemas de degradación de características existentes en las imágenes submarinas originales. Se introdujo el bloque de transferencia contextual en la rama de imagen mejorada, siguiendo el módulo de mejora de imagen submarina, que podría extraer las características de dominio de la imagen mejorada, y las características de las imágenes originales y las imágenes mejoradas se fusionaron antes de ser alimentadas en el detector. Se adoptó Focal como una nueva pérdida de regresión de caja del modelo, con el objetivo de aliviar la degradación del rendimiento causada por la oclusión mutua y la superposición de objetos submarinos. Tomando los conjuntos de datos experimentales URPC2020 y UTDAC2020 (Competencia de Algoritmos de Detección de Objetivos Submarinos 2020), se comparó el rendimiento de nuestro modelo propuesto con otros modelos, incluidos YOLOF, YOLOv6 v3.0, DETR, Swin Transformer e InternImage. Los resultados muestran que nuestro modelo propuesto presenta un rendimiento competitivo, logrando un 80.71% y un 86.32% en mAP@0.5 en URPC2020 y UTDAC2020, respectivamente. En definitiva, el modelo propuesto es capaz de mitigar eficazmente los problemas encontrados en la tarea de detección de objetos en imágenes submarinas con características degradadas y muestra un gran avance.