由于航运业的成本随着社会对船舶的安全性能、环保性能和舒适性能等方面的追求而不断提高,降低船员数量、提高船舶智能化和自动化水平成为航运业未来发展的方向。智能感知技术是实现船舶自主航行的关键技术之一,对智能船舶的安全航行至关重要。本文针对智能船舶视觉传感器在应用中出现的低照度场景下的图像降质、水面小目标难以检测以及目标检测方法复杂度过高等问题,开展了面向智能船舶的低照度水面图像增强,水面小目标检测和神经网络模型压缩等方面的研究。具体研究工作包括:（1）针对低照度图像存在颜色失真、黑暗区域噪点的情况,导致难以从一幅图像中有效地估计照度分量并灵活地调整照度的问题,设计了一个低照度图像增强算法。首先,该算法以Retinex理论为基础,将原始图像分解为反射率层和照度层两个分量,即将原始空间分解为两个小的子空间。其次,该算法构建成对的不同照度图像数据集训练神经网络,不使用真实图像反射率和照度信息。最后,利用照度调整网络去除照亮黑暗区域的视觉缺陷,达到低照度图像增强的目的。将本文增强算法与其他算法分别进行主观和客观比较,验证了本文图像增强算法的有效性。（2）针对水面背景复杂且图像中小目标识别区域分辨率低、图像模糊、信噪比低等问题,设计了针对小目标的水面目标检测算法。首先,在网络模型中引入自注意力模块,使网络关注小目标的细节信息。其次,采用结构化的特征融合方法,通过多尺度语义信息融合提升对小目标的检测性能。最后,为解决目标检测的定位问题,在smooth L1损失函数的基础上改进并设计一种大梯度损失函数。通过与传统的Faster R-CNN目标检测算法在船舶数据库上进行仿真对比,验证了本文提出的算法在解决水面小目标检测问题上的有效性。（3）针对中小型智能船舶边缘设备的计算能力与存储能力较低的情况,设计了目标检测网络模型压缩算法。首先,受到Ro I Align方法的启发,在此基础上添加上下文信息构建一个辅助网络,通过像素对齐的方式获得默认框的定位信息,实现在低层剪枝的同时增大默认框的感受野。然后,构造修剪模型的损失函数,针对目标检测的任务需要保留具备关键信息的通道。通过与传统修剪方法的比较证明了该方法的有效性,并实现硬件内存地节约和模型推理地加速。