泥石流灾害频发且破坏性强，传统监测手段实时性差、误报率高，亟需高效精准的智能检测方法提升预警能力。基于此，提出基于YOLOv8框架的改进模型YOLOv8m-GCSlide，通过集成全局上下文注意力模块（GCNet）强化泥石流动态特征感知，设计滑动损失函数优化分类边界，结合知识蒸馏技术生成轻量化模型YOLOv8n-GCSlide。构建多源视频数据集，采用0.25 s每帧提取策略平衡训练效率，融合数据增强与负样本提升泛化能力。实验表明，改进模型检测精确率达94.6%（较基线+1.2%），召回率88.0%(+0.7%)，平均精度95.9%(+2.0%)，推理速度244.1 FPS，参数量减少88.1%，性能优于主流轻量模型。实际案例测试中，模型在复杂地形下召回率为82.3%，误报率为4.2%，帧率为240.6 FPS。结果表明，全局注意力机制与损失函数有效捕捉泥石流运动特征，模型压缩技术兼顾精度与效率，可为地质灾害预警系统提供高精度、低延时的端侧部署技术支持。
