水下环境中的海洋动物和深水物体在监测和识别方面面临独特的挑战，尤其是在含有颗粒和杂质的盐水中。本研究采用了Brackish数据集，这是一个经过注释的水下数据集，包含了在Limfjorden水中捕获的鱼类、螃蟹、海星等水生动物的图像序列。通过在这一数据集上实施和评估多种对象检测模型，包括YOLOv3（31.10% mAP）、YOLOv4（83.72% mAP）、YOLOv5（97.6% mAP）、YOLOv8（98.20% mAP）、EfficientDet（98.56% mAP）和Detectron2（95.20% mAP），我们对它们的性能进行了全面比较。结果表明，EfficientDet在准确性和推理时间方面表现出色，明显优于其他模型。为了进一步优化性能，我引入了一种改进的BiSkFPN机制，该机制具有带跳跃连接的BiFPN颈部，提高了特征提取的效率。通过这项研究，我们深入探讨了不同模型在水下物体检测中的优劣，为相关领域的进一步研究提供了有价值的参考。