【摘要】基于YOLO的贻贝（Mytilus edulis）识别与检测技术，是实现贻贝分级、分苗等作业环节机械化和智能化的关键。然而，贻贝因外部特征不够清晰明确，给识别准确率的提高带来了挑战。本文提出一种基于改进YOLOv5算法的贻贝目标检测模型（CST-YOLO）。该算法融合CoordAttention注意力机制，以增强特征表达能力；采用SIoU作为边界框回归损失函数，以减少边界框回归损失，提高模型的检测速度；将Head替换为改进的解耦头TSCODE Head来提高检测准确率。并在自制的贻贝数据集上进行算法测试，实验结果显示：相比YOLOv5算法，CST-YOLO算法准确率P提高了0.428%，mAP＿0.5:0.95达到92.221%，提高了1.583%。实验表明CST-YOLO算法在保证检测速度的前提下，有效提高了贻贝目标的检测精度。本研究有助于机器视觉技术在贻贝养殖业自动化与智能化生产加工中的应用。