【目的】野外环境通常植被繁茂、树木杂乱，且受环境、天气、光照等因素影响，红外相机易误触发拍摄，从而捕获大量废片，需要耗费大量人力进行筛选。为解决此类问题，本研究以YOLOv7模型为基础，对其进行轻量化改进，以实现对废片的自动筛选。【方法】本研究构建了北京密云雾灵山自然保护区2014—2015年期间采集到的2 172张野生动物图像数据集，并对图像中出现的动物进行位置标记。对YOLOv7网络使用不同方式进行改进：引入MicroBlock替换YOLOv7的主干网络，使用轻量化SPPCSPC结构降低模型参数量。采用SIoU损失、LNDown下采样、BiFPN提升模型检测动物的能力。使用YOLOv5-m、YOLOv5-l、Ghost-YOLOv5-l、YOLOv6、YOLOX-M、YOLOR-CSP模型，在含有1万张图像的Snapshot Serengeti相机陷阱图像子数据集上进行训练和验证，对比本文模型对野生动物图像的筛选效果。利用迁移学习训练自建野生动物数据集，测试冻结不同层数的训练效果。【结果】基于YOLOv7的改进模型推理时间降低了14.3%，每秒浮点运算次数FLOPS降低了33.5%，参数量减少了17.8%，误检测方面也优于YOLOv7模型。与其他模型进行对比，改进后的YOLOv7虽未在所有指标中均达到最优，但在检测时间与精度上达到了更好的平衡。在自建数据集中使用未冻结权重方式微调效果最优，平均精度比未使用迁移学习模型提高了12.6%。【结论】本研究为密云地区野生动物监测网络提供了更快速、准确的筛选方案。