En condiciones meteorológicas complejas y entornos dinámicos, la detección de pequeños objetos es fácilmente afectada por la niebla y el debilitamiento de las características, y los métodos existentes aún presentan deficiencias en cuanto a tiempo real y robustez. Por ello, este artículo tiene como objetivo construir un modelo de detección eficiente y robusto para mejorar el rendimiento en la detección de pequeños objetos en días de niebla. Se propone la red híbrida de detección en espacio de estados basada en Mamba-Transformer llamada HS-MambaDet. Primero se diseñó la estructura principal HSM-SSD que fusiona la compresión del estado oculto con la modelización del espacio de estados para reducir la complejidad computacional; luego se introdujo el fusionador multiescala espacio-frecuencia (MFSF), que incluye un módulo de percepción de alta frecuencia y un módulo de percepción de dependencia espacial para fortalecer la expresión detallada de los pequeños objetivos y la modelización del contexto espacial. El marco general adopta una arquitectura híbrida de CNN, Transformer y Mamba, para realizar respectivamente la extracción de características locales, la modelización del contexto global y la combinación eficiente de la estructura recursiva lineal. Numerosos experimentos en los conjuntos de datos RTTS y CityScapes demuestran que HS-MambaDet supera a los modelos principales actuales en precisión y eficiencia. La precisión de predicción del modelo completo en RTTS es del 87.3%, la tasa de recuperación del 73.1%, mAP@0.5 de 81.2%, mAP@(0.5~0.95) de 51.0%, con mejoras máximas de 3.8%, 3.9%, 3.6% y 3.3% respectivamente en comparación con los modelos de referencia; el tiempo de inferencia es de 0.26 s, manteniendo una buena capacidad en tiempo real. Además, en escenarios de pequeños objetivos, el mAP@0.5 del modelo aumenta hasta un 4.4%, y muestra una mayor capacidad de generalización en pruebas con diferentes intensidades de niebla. HS-MambaDet, al introducir un mecanismo eficiente de compresión del estado oculto y una estructura de fusión multiescala espacio-frecuencia, mejora efectivamente la percepción de detalles y la modelización espacial de los pequeños objetivos bajo condiciones de niebla, logrando ventajas significativas en precisión, robustez y eficiencia de inferencia, proporcionando una solución viable y eficiente para la detección en tiempo real de objetivos en entornos dinámicos adversos.

detección de objetivos; Mamba; percepción de alta frecuencia; compresión integrada del estado oculto