El reconocimiento de objetivos superficiales tiene una influencia vital en el desarrollo de aplicaciones militares y civiles como patrullas de rescate marítimo, detección de embarcaciones ilegales y monitoreo de operaciones marítimas. Sin embargo, debido a la interferencia de la similitud visual y variaciones ambientales y a la falta de conjuntos de datos de alta calidad, el reconocimiento preciso de objetivos superficiales siempre ha sido una tarea desafiante. En este documento, presentamos un modelo residual de atención múltiple basado en métodos de aprendizaje profundo, en el cual se aplican módulos de atención de canal y espaciales para la fusión de características. Además, utilizamos el aprendizaje por transferencia para mejorar las capacidades de expresión de características del modelo en condiciones de datos limitados. Se adopta una función basada en aprendizaje métrico para aumentar la distancia entre diferentes clases. Finalmente, se establece un conjunto de datos con ocho tipos de objetivos superficiales. Experimentos comparativos en nuestro conjunto de datos autoconstruido muestran que el método propuesto se enfoca más en regiones discriminativas, evitando problemas como la desaparición del gradiente, y logra mejores resultados de clasificación que B-CNN, RA-CNN, MAMC y MA-CNN, DFL-CNN.