为解决玉米伴生杂草存在样本形态各异、密集遮挡、背景复杂、尺度不一等问题，提出了目标检测模型WAAP-YOLO。首先，改进主干部分，将部分卷积替换为小波池化卷积，有效避免混叠伪影现象；其次，引入聚合注意力机制构建C2f-AA模块，提升模型在复杂背景下对杂草特征的提取能力；最后，提出ASF-P2-Net替换原始颈部网络，通过尺度序列融合模块引入P2检测头，降低模型复杂度，显著提升小目标检测效果。实验结果表明，WAAP-YOLO检测算法在mAP@0.5指标、mAP@0.5：0.95指标、F1参数、参数量中分别为97.2%、85.8%、94%、2.1M，优于YOLOv5s、YOLOv8n、YOLOv10n等常见目标检测模型。该研究通过改进模型并优化杂草特征提取方法，显著提升玉米田间杂草的精准识别能力，促进种植业的智能化和可持续发展。