为了解决传统的微藻检测方法依赖于复杂的设备和大量的人工操作，不仅耗时长且检测结果易受检测人员技术经验影响等问题，结合微藻显微图像特征，采用K-means++算法聚类锚框，并基于YOLO v7模型，提出一种轻量级实时检测微藻的方法YOLO v7-MA。该方法将GhostNet引入YOLO v7模型中作为主干特征提取网络，以减少网络的参数量，同时将特征融合网络中的普通卷积块替换为深度可分离卷积块，进一步降低模型的计算复杂度，并在特征融合网络中加入CBAM注意力模块，以提高网络的特征表达能力。结果表明：在14种微藻数据集上的试验显示，本研究中提出的YOLO v7-MA模型的平均精度均值为98.56%,召回率为96.88%,F1值为97.42%,参数量为22.64×10～6,浮点运算次数(FLOPs)为38.45×10～9;相较于YOLO v7模型，YOLO v7-MA模型平均精度均值提高了0.95%,召回率和F1值分别提高了1.15%、0.23%,参数量和FLOPs分别降低了14.63%和66.55%;相较于FasterRCNN-VGG16、FasterRCNN-Resnet50、YOLO v4、YOLO v4-Mobilenet v3、YOLO v4-VGG16、YOLO v4-Resnet50和YOLO v5s等模型，YOLO v7-MA模型的平均精度均值也均有提高，参数量均有减少。研究表明，YOLO v7-MA模型能够为微藻的识别分类提供一种轻量化的实时高效检测方法，大大降低了检测人员的工作量。