针对鲫鱼病害形态复杂、尺度差异大及病灶边界模糊所导致的检测精度低、误检率高等问题, 提出了一种基于YOLOv11框架的鲫鱼病害识别模型CAI-YOLO。首先,主干网络采用ConvNeXt V2(Convolutional Neural Network with NeXt Units Version 2)模块,该模块采用基于掩码自编码器(Masked Auto Encoders,MAE)的自监督预训练策略,并引入全局响应归一化(Global Response Normalization, GRN)层,有效缓解了特征崩溃问题,增强了特征多样性。其次,在颈部网络集成AKConv(Alterable Kernel Convolution),通过自适应采样机制提升模型对不规则病斑的多尺度建模能力。最后,损失函数采用IF-IOU(Inner and Focaler Intersection Over Union),该函数结合了Inner-IOU的内部约束与Focaler-IOU重加权机制,从而加快了模型的收敛并提升了定位精度。在自建鲫鱼病害数据集上进行试验,结果显示:CAI-YOLO模型的准确率、召回率、mAP@0.5和mAP@0.5:0.95分别为85.6%、87.8%、86.7%和58.6%,与基准YOLOv11n相比,mAP@0.5和mAP@0.5:0.95分别提高0.9和1.1个百分点;模型参数量、计算复杂度和模型尺寸分别降低10.89%、8.19%和7.84%。研究表明,CAI-YOLO模型在有效提升综合检测能力的同时也降低了计算资源的需求,为鲫鱼病害检测的轻量化和实际应用提供了参考。