随着世界经济全球化的快速发展,海上运输变得越来越重要。船只数量的增加导致船舶碰撞、违法走私等事故也逐渐增多,如何高效提高海上交通的运输管理逐渐成为一个热点研究问题。船只的有效管理首先需要有效地获取海上船只目标的位置和类型。船舶自动识别系统（Automatic identification System,AIS）和近岸视频监控系统可以为船只管理提供丰富的基础数据。AIS广泛用于船舶位置的定位以及船舶之间的通信,具有信息丰富,数据量大的特点。但是,由于设备故障和一些人为因素的干扰,AIS数据中会存在部分异常数据,异常数据的存在影响船只的有效管理。近岸视频监控的数据主要为船只图像数据,为了更好地对船只目标进行管理,需要对图像中的目标船只进行类型识别。本文选择将深度学习算法应用于海上目标探测任务中,以更高地效率处理海量数据,从而为解决海上船只目标探测提供高效的解决方案与思路。本文主要研究内容如下:1.为了提取AIS航迹数据中包含的船只在运动状态信息,提出一种基于深度学习的航迹聚类方法,通过建立LSTM-Autoencoder航迹聚类模型,完成对AIS航迹的聚类,从而得到船只中航行趋势和航行状态相似的航迹簇,并以此作为后续航迹异常检测工作的基础。最后通过实测数据的实验结果验证了LSTM-Autoencoder航迹聚类模型的有效性。2.基于AIS航迹聚类结果,提出一种基于深度学习的航迹异常检测算法。算法以航迹簇内的AIS航迹数据为基础,建立CNN-LSTM航迹检测模型进行航迹预测。在航迹预测的基础上,通过设置合理的检测阈值完成对航迹异常数据的检测。最后通过实际异常数据对所提出的检测算法进行验证。3.针对近岸视频监控船只图像分类问题,搭建深度学习CNN船只类型识别模型完成对船只类型的判断与识别。首先,基于近岸视频监控船只图像数据建立对应的数据集,利用数据增强的方法完成对数据集的扩充。同时建立了CNN船只类型识别模型,利用Dropout正则化方法提升模型的鲁棒性,并在测试数据上评估了模型的分类性能,最后设计并完成了目标船只类型识别系统,提高了识别效率。