针对煤矿井下复杂环境导致液压支架防护板检测精度低、小目标漏检严重的问题,提出了一种改进YOLOv8n检测算法(CMH-YOLO).CMH-YOLO 算法首先在浅层网络引入SPDConv空间深度转换卷积模块,将空间信息编码到通道维度,以保留小目标细节特征.设计了轻量化C2f_MSA多尺度注意力模块,融合大核可分离注意力的长程依赖建模和高效通道注意力的自适应特征选择,使浅层网络能够同时捕获远近不同尺度的防护板特征.针对井下高粉尘环境造成防护板表面特征模糊和局部遮挡,构建了C2f_DRFE粉尘鲁棒特征增强模块,通过多尺度空洞卷积扩大感受野,从周围未遮挡区域获取信息,并配合可变形卷积自适应避开粉尘密集区域.同时,引入BiFPN 双向特征金字塔网络替代传统PAN-FPN,进一步提升模型的检测性能.最后,采用Inner-IoU 损失函数,利用辅助边界框机制提升边界框回归精度.在包含20045张标注图像的煤矿液压支架数据集上进行了试验验证,CMH-YOLO 算法的mAP ＠0.5达到97.9％、mAP ＠0.5:0.95达到81.4％、精确率达到93.8％,召回率达到94.5％,较基准模型YOLOv8n分别提升1.7个百分点、1.8个百分点、2.7个百分点和1.6个百分点,在提升检测精度的同时保持了模型轻量化.该算法有效解决了极端环境下小目标识别、多尺度适应与粉尘干扰等问题,为煤矿液压支架安全监测提供了可靠的实时监测方案,对预防顶板事故和保障矿工安全具有重要工程价值.