针对隧道渗漏水检测中传统方法效率低、现有深度学习模型参数量大且实时性不足的问题，本文提出一种基于改进YOLOv8n-seg的轻量化实例分割模型。通过引入Coordinate Attention（CA）注意力机制增强目标区域特征权重，采用MobileNetV4替换主干网络以降低计算复杂度，并结合EfficientHead分割头优化特征解码效率，显著提升了模型在复杂背景下的检测精度与推理速度。实验基于三维激光扫描技术构建的隧道渗漏水数据集（包含3140张增强图像），通过消融实验验证了各模块的有效性：CA机制使平均精度（AP）提升0.82%，MobileNetV4降低参数量43.2%的同时提升AP至81.21%，EfficientHead分割头进一步优化分割细节。联合改进后，模型AP达83.21%，F1值提升至78.53%，参数量仅1.96M，推理速度达355.2 FPS，较原YOLOv8n-seg提升6.6%。对比实验表明，改进模型在轻量化指标（参数量、GFLOPs）显著优于Mask R-CNN等主流模型，且精度接近两阶段方法，满足隧道渗漏水实时检测需求。研究为隧道结构健康监测提供了高效、可靠的轻量化解决方案，具有工程应用价值。

隧道病害,深度学习,病害识别,实例分割,轻量化检测