水面无人艇（unmanned surface vessel,USV）是近年来新兴的水上力量,能够在水上搜救、后勤补给、水质监测、水文采样、海洋环境测绘、水域生态保护等领域大展身手。同时伴随着计算机视觉技术的迅速发展,搭载视觉智能感知系统的水面无人艇更易于对水面目标进行有效地辨别,因此研究面向无人艇智能感知的水上目标识别方法具有重要的理论意义和应用价值。本文依托“ME120全自动无人船平台”,针对水面无人艇智能感知系统对图像处理过程的准确性和实时性要求,主要研究了根据机载视觉传感器和边缘计算平台对水上目标进行识别和跟踪的方法。论文主要完成的工作如下:首先调研了水面无人艇的国内外研究现状和发展前景,再梳理了无人艇的视觉感知技术的研究现状,最后回顾了基于深度学习的目标检测技术和目标跟踪技术的发展情况。其次简要介绍了深度神经网络的理论基础和常用评价指标等,随后在前期的船舶类选型数据集上实践了主流的基于深度学习的目标检测方法,包括Faster RCNN、SSD、YOLOv3、YOLOv4等,对其检测性能进行对比分析。与此同时开展了水上目标数据集的建设。主要包括水上目标特点解析、图像采集、数据抽帧去重、数据筛选、数据标注、数据增广等一系列目标检测数据集的处理方法,在此过程中总结并分享了一些可用算法和经验。然后针对水上目标数据集的特点和无人艇实时检测的需求,对优选出的YOLOv4算法进行了适当优化,包括模型剪枝、修改损失函数、将空白标签图像纳入训练、针对特殊天气进行图像增强预处理等。最终本文的水上目标检测算法相比原版在准确率相差无几的情况下,推理速度得到了约1.78倍的大幅提升。为了进一步提升水上目标识别能力,提出了基于局部对比度显著性算法的目标物颜色检测方案,以满足对船舶、航标等类别的多维信息识别需求;引入了迁移学习的Siamese-RPN目标跟踪网络,以级联的方式辅助目标检测算法,提升算法整体的稳定性。最后以上述算法为核心,建设了面向无人艇智能感知的水上目标识别系统,主要包括基于Nvidia Jetson AGX Xavier边缘计算平台的船载部署方案和基于Qt的软件用户界面。无人船载实验表明,本文设计的无人艇水上目标识别方法在多个场景下运行良好,在识别平均精度和推理速度上都取得了很好的效果。