【摘要】为提高果园中高遮挡和密集的李（Prunus salicina Lindl.）的检测精度，提出一种改进YOLOv5s模型，在促进模型轻量化的同时提高模型对李的检测精度。首先，使用新的结构Focus-Maxpool模块替换主干网络中的下采样卷积，使模型在下采样时能够保留更多高遮挡目标和小目标的特征信息。其次，使用focal loss和交叉熵函数的加权损失作为模型的分类损失，提升模型对粘连目标的识别能力。最后，设计若干组检测试验来评价模型的性能。结果显示，改进YOLOv5s模型的平均精度优于YOLOv5s、YOLOv4、Faster-RCNN、SSD和Centernet；与YOLOv5s模型的检测结果相比，改进模型的平均精度、召回率和精度分别提高2.84、9.53和1.66百分点，检测速度可达到91.37帧/s，能够满足实时检测需求。研究结果表明，改进的模型在真实果园环境下具有较高的检测精度和鲁棒性。