在计算机视觉技术中,目标识别与跟踪方法俨然已经成为当前热点研究问题,并被广泛应用于自动驾驶、行人监测等领域。尤其是在海上交通监控、海洋安全监管等任务中,船舶具备高效准确的海上船舶目标识别与跟踪能力是非常重要的。然而该技术容易受到船舶种类、船舶分布以及目标距离各异等诸多不确定性因素的影响,无法保证海上船舶目标的识别与跟踪任务的快速性、可靠性和准确性。针对以上问题,本文提出了一种兼顾多种综合性能指标的海上船舶目标识别与跟踪算法。本文具体的研究内容如下:在经典深度学习识别算法基础上,本文提出了一种融合轻量级主干网络与自适应感受野特性的SKMobile Net V3-Bi FPNYOLOv5目标识别网络结构。该网络首先引入了Mobile Net V3作为船舶识别算法主干部分,其轻量级特性提升了整体网络识别速度。进而在网络主干部分引入了具有自适应感受野的SK卷积模块,并通过构建Bneck-SK结构,有效提升了船舶目标识别准确性。最后基于Bi FPN思想,设计了YOLOv5颈头部Bi-PANet网络结构,使目标识别算法可以充分利用其低层级特征,并扩大网络模型感受野,从而提升船舶目标识别算法的检测精度。针对传统目标跟踪算法的多目标识别能力不足和缺少运动参数分析等问题,本文提出了一种YOLOv5-Deep Sort船舶目标跟踪算法。本文将离线训练的海上船舶目标识别模型作为多目标跟踪算法Deep Sort的目标检测器,构建YOLOv5-Deep Sort算法,并强化该算法海上船舶目标跟踪效果。针对海上船舶运动目标,通过张正友标定和坐标转换方法,推理在设定拍摄角度和高度下的单个像素距离与实际距离的拟合函数关系,进而得到海上船舶目标实际运动距离等有效信息,解决给定观测约束条件下海上船舶目标运动距离等参数计算问题。为了验证该算法的有效性,本文分别对海上船舶目标识别与跟踪算法性能评价指标进行了归纳总结,并对本文目标识别与跟踪算法和传统算法做了对比实验分析。实验结果验证了本文研究的算法满足海上船舶识别与跟踪任务的准确性、可靠性与快速性要求,保证了海上船舶目标识别与跟踪任务的可实现性。