【目的】因为在复杂环境下树干目标尺寸差距大且易受遮挡，所以树干检测容易出现漏检、错检等问题。为有效解决这个问题，提出一种基于单阶段目标检测框架的树干检测算法SSFYOLO。【方法】首先，设计了空间感知网络模块SAM。SAM模块能够高效处理多尺度和多分辨率的特征信息，在保证计算效能的同时，实现对各类特征的充分整合与精确提取，提高目标检测的准确性和效率。其次，设计多尺度特征增强自适应网FastScaleNet，用于替代YOLO模型中的C2f结构。FastScaleNet通过更为精细的多尺度特征融合与优化，并且利用跳跃连接和特征融合策略，有效保留不同层次的特征信息，增强模型对不同尺度目标的表达能力，提升模型的稳健性和广泛适用性。最后，引入加权IoU(WIoU)机制，实现对小目标损失权重的动态优化。WIoU机制根据目标尺寸的不同，动态调整损失权重，使模型在面对小尺寸目标时，能够灵活调整参数，从而灵活适应不同尺寸目标的检测需求，进一步提高小目标检测的准确性和鲁棒性。【结果】对复杂场景下树干数据集进行检测实验，与主流检测算法YOLOv8相比，SSFYOLO算法在缩小参数量的同时，具有更好的检测精度，其参数量减少了20%，平均精度均值（mAP）和召回率分别提升了1.6和0.7个百分点。【结论】本研究设计了面向复杂森林场景的树干检测算法SSFYOLO。SSFYOLO算法在复杂环境树干检测中表现出色，具有广阔的应用前景。