针对带钢表面缺陷检测中目标背景复杂、现有算法特征处理能力不足导致检测精度较低的问题，提出了一种改进的检测算法YOLO11n-SRA。该算法通过引入SHSA注意力机制替换C2PSA模块中的PSA注意力机制，提高了小目标的检测效率和精度；在颈部网络中，将RCM模块嵌入C3k2模块，利用其上下文捕捉与特征增强能力，提升了多尺度检测性能。通过引入ATFL损失函数，有效缓解了缺陷图像中目标与背景的不平衡问题，提高了模型训练过程的稳定性。在NEU-DET和GC10-DET数据集上进行实验验证，相较于YOLO11n算法，在参数量和计算量保持不变的情况下，YOLO11n-SRA的mAP值分别提升3.4%和1.6%；FPS分别提升45.8帧和20.6帧；召回率分别提升3.7%和4%。改进算法在检测精度和效率之间实现了良好平衡，具有较高的实际部署应用价值。