Con el crecimiento continuo de las actividades marítimas y el comercio marítimo, la aplicación de la detección de objetivos marítimos en imágenes de teledetección se ha vuelto cada vez más importante. Sin embargo, los métodos de detección existentes enfrentan numerosos desafíos, como la localización de objetivos pequeños, el reconocimiento de objetivos con grandes relaciones de aspecto y altas demandas computacionales. En este artículo, proponemos un modelo de detección de objetivos mejorado, llamado YOLOv5-ASC, para abordar los desafíos en la detección de objetivos marítimos. El YOLOv5-ASC propuesto integra tres componentes clave: un Módulo de Mejora de Campo Receptivo Basado en Atención (ARFEM), una función de pérdida SIoU optimizada y un Módulo de Convolución Deformable (C3DCN). Estos componentes trabajan juntos para mejorar el rendimiento del modelo en la detección de objetivos marítimos complejos al mejorar su capacidad para capturar características multiescala, optimizar el proceso de localización y adaptarse a las grandes relaciones de aspecto típicas de los objetos marítimos. Los resultados experimentales muestran que, en comparación con el modelo original YOLOv5, el YOLOv5-ASC logra un aumento de 4.36 puntos porcentuales en mAP@0.5 y una mejora de 9.87 puntos porcentuales en precisión, manteniendo la complejidad computacional dentro de un rango razonable. El método propuesto no solo logra mejoras significativas en el rendimiento en el conjunto de datos ShipRSImageNet, sino que también demuestra un fuerte potencial para su aplicación en escenarios complejos de teledetección marítima.