Die Erkennung getarnter Objekte (Camouflaged Object Detection, COD) ist eine herausfordernde Aufgabe aufgrund des geringen Kontrasts zwischen dem Objekt und seiner Umgebung. Zudem variiert das Erscheinungsbild getarnter Objekte erheblich, beispielsweise in Bezug auf Größe und Form, was die Schwierigkeiten einer genauen COD weiter erhöht. In dieser Arbeit schlagen wir ein neues Kontextbewusstes Kreuz-Level-Fusionsnetzwerk (Context-aware Cross-level Fusion Network, C2F-Net) vor, um die anspruchsvolle COD-Aufgabe zu bewältigen. Insbesondere entwickeln wir ein Aufmerksamkeitsinduziertes Kreuz-Level-Fusionsmodul (Attention-induced Cross-level Fusion Module, ACFM), das mehrstufige Merkmale mit informativen Aufmerksamkeitskoeffizienten integriert. Die gefusionierten Merkmale werden dann an das vorgeschlagene Dual-Branch-Globale-Kontextmodul (Dual-branch Global Context Module, DGCM) weitergeleitet, welches mehrskalige Merkmalsrepräsentationen für die Nutzung reichhaltiger globaler Kontextinformationen erzeugt. In C2F-Net werden die beiden Module auf hochstufigen Merkmalen in einem kaskadenförmigen Verfahren angewendet. Ausführliche Experimente auf drei weit verbreiteten Benchmark-Datensätzen zeigen, dass unser C2F-Net ein effektives COD-Modell ist und bemerkenswert besser als der aktuelle Stand der Technik abschneidet. Unser Code ist öffentlich verfügbar unter: https://github.com/thograce/C2FNet.