针对钢材表面缺陷检测算法精度低、计算量大等问题，提出一种基于YOLOv8n的检测算法HPDE-YOLO(high-level path aggregation dynamic efficient network-YOLO)。首先，引入高效多尺度注意力(efficient multi-scale attention, EMA)机制，与主干部分的C2f融合，增强特征提取能力，并采用C2f-Faster结构提高模型计算速度；其次，提出一种高级筛选双向特征融合金字塔与路径聚合网络(high-level screening-feature bidirectional fusion pyramid and path aggregation network, HS-FPAN),在多个尺度上同时增强语义特征，有效提升模型对细节的捕捉能力；最后，融合动态上采样模块DySample,进一步提升模型检测速度。在NEU-DET数据集上的实验结果表明，相较YOLOv8n模型，HPDE-YOLO模型检测的平均精度均值mAP@0.5达到84.2%,提升了5.7个百分点，裂纹类缺陷检测的平均精度均值mAP提升了26.88个百分点，参数量减少了45%,浮点运算量减少了32%。HPDE-YOLO模型在满足轻量化的同时能够有效提升钢材表面缺陷检测的精度，且易于移动端部署，满足工业生产需求。