珊瑚是海洋生态系统的重要组成部分，其所处的珊瑚礁生态系统具有极高的初级生产力、生物量与生物丰度。通过光学成像方式获取珊瑚图像并对图像进行特征分析与语义分割，可快速获取珊瑚区域占比，是一种有效的珊瑚调查方法。
　　近年来，水下光谱成像技术被应用于珊瑚观测研究。在光谱图像序列中，每个通道的光谱图像表现出各自的图像特征，而每个空间像素点亦可提取出光谱特征，含有丰富的特征信息。通过对珊瑚光谱图像进行特征分析与分割算法研究，可有效地实现图像中珊瑚区域分割。
　　本文从光谱图像中的光谱特征与图像特征两个维度，分别开展了基于特征分析的珊瑚分割算法研究，主要研究内容包括珊瑚数据集构建、特征分析与分割算法研究、算法部署与应用。
　　首先，本文构建了CoralS珊瑚数据集，包含珊瑚可见光、荧光光谱图像以及RGB图像，共七千余张。此外，数据集具有像素级与图像级标注，语义内容丰富。
　　基于CoralS数据集，分析光谱图像的光谱特征与图像特征，分别开展了珊瑚分割算法研究。通过分析光谱特征，开展了基于距离度量的光谱特征分类算法研究，包括基于SAM的kNN分类算法与基于高斯核的SVM分类算法；开展了水下颜色辨别实验，验证了这两种算法对不同光谱特征辨别的有效性；将上述两种基于光谱特征的分类算法应用于珊瑚光谱图像的语义分割中，两种算法平均IoU指标分别为92.02%和91.62%，都表现出较好的珊瑚分割效果。通过分析图像特征，提出了针对单通道图像的珊瑚分割卷积神经网络模型DeeperLabC。该模型在验证集上的平均IoU可达93.80%，超越了当前其他的一些神经网络语义分割模型。
　　基于特征分析的分割算法研究，应用上述两类算法，对短波长蓝光照射下采集的荧光光谱图像进行分割。实验证明，基于光谱特征的分类算法与基于图像特征的神经网络算法在荧光光谱图像分割中也具有较好的效果。使用海试图像验证了两类算法在真实场景图像中对珊瑚分割的可靠性。总之，基于特征分析的珊瑚分割算法为海底珊瑚调查等应用提供了有效的技术支持。
　　本文创新点如下：1)通过水下颜色辨别实验证明了光谱特征用于水下目标物辨别的可行性，实现了基于光谱特征的辨别算法于可见光与荧光光谱中的珊瑚分割；2)提出了针对单通道图像的神经网络模型DeeperLabC，具有优秀的珊瑚分割效果。