目的 在超声心动图像检测中，心脏瓣膜检测面临复杂背景干扰、目标小等问题，容易出现漏检、误检等。本文提出了一种用于超声心动图动态检测中心脏瓣膜实时识别与定位的改进YOLOv8算法。方法 在改进YOLOv8算法中，基于YOLOv8模型进行优化，引入深度分离卷积扩大感受野，有效捕捉不同尺度的特征并保留细粒度空间信息，提升特征传递能力，降低误检率；采用坐标注意力模块(coordinate attention, CA)将位置信息整合到通道注意力中，使网络能更有效地关注广泛区域，增强细粒度特征提取，提高检测准确性和泛化性能；通过多尺度特征增强模块(multi-scale feature enhancement module, MSFE)利用多分支卷积和多尺度连接多通道特征图以增加网络对小尺寸目标的适应性；使用α-Focal EIoU损失函数提高边界框回归精度，增强模型对小目标的关注。结果 针对以上模块的消融实验中，各模块的引入和优化显著提升了算法整体性能。改进后的YOLOv8模型在三尖瓣、二尖瓣和主动脉瓣检测中，mAP相比于基线YOLOv8提高6.9%,达到98.1%,其中，精确度为98.6%,召回率为97.6%,推理速度为33.2 FPS。结论 相比于YOLOv5、SSD、Faster RCNN、RCNN和DETR等算法，改进YOLOv8算法在性能上有明显提升。基于消融实验分析可知，优化损失函数、坐标注意力模块和多尺度特征增强模块显著提升了模型性能，深度分离卷积网络则主要提升了计算效率。改进YOLOv8算法有助于超声图心脏瓣膜快速检测的自动化实现，为后续基于心脏瓣膜的医学分析奠定基础。