无人船具有安全性高、高效灵活、可以节约人力物力等优势,是一种新型的平台,具有很大的发展潜力,近年来受到了各个国家的关注。无人船在港口挂靠期间,需要根据所处场景控制船体航行状态,因此水上场景识别技术是无人船智能化发展的重要保障。尽管可以利用现有的基于深度学习的场景识别方法,从海量的视觉数据中学习到不同的模式,训练出具有泛化能力的模型对水上场景图像进行识别,然而针对水上场景图像存在的包含特征丰富、标志物较为突出等特点,将深度学习应用于水上场景识别任务仍存在诸多难点。针对水上场景识别技术进行研究不仅具有现实意义,而且具有理论价值。本文的主要研究工作如下:（1）建立水上场景数据集,根据水上场景数据集规模较小的特点,对VGG19网络结构进行改进,减少卷积层和全连接层的参数量,并在卷积层后进行了批归一化操作。通过实验比较分析在VGG19网络中加入批归一化层对模型识别精度和收敛速度的影响。使用改进后的VGG19网络结构对水上场景图像进行识别,运用Grad CAM技术对识别结果进行可视化,进一步分析卷积神经网络的内部工作原理,并针对水上场景图像特点进行分析,确定后续的网络改进思路。（2）通过对小尺寸卷积核和非对称卷积核的灵活应用,针对传统的Inception结构进行特征提取多样化和结构轻量化的改进,运用Inception提取多尺度特征的思想对传统的残差结构进行改进。在改进Inception结构和改进残差结构的基础上设计出一种深度可变的新型卷积神经网络,并将网络中的卷积操作分解成逐通道卷积和逐点卷积,以进一步实现模型的轻量化。针对该新型网络结构分析比较不同网络深度对水上场景识别准确率和模型参数量的影响,并探讨在网络中加入不同注意力模块对模型性能的影响。（3）针对双线性模型进行改进,增加输入数据的来源,提出一种结合局部特征和全局特征的水上场景识别模型。通过Edge Boxes算法提取水上场景图像中包含局部特征的区域,利用Ro I Pooling截取出局部特征区域与主干网络的输出特征图相对应的部分,得到局部特征图。通过对主干网络的输出特征图进行下采样,得到与局部特征尺寸一致的全局特征。最后使用双线性池化对局部特征和全局特征进行融合。