对渔船的有效管理是确保渔业活动顺利进行的基础,通过深度学习技术能够有效加强伏季休渔期渔船监管能力,对渔船管控、渔港治理和渔业资源可持续发展有重要的研究意义。传统方法对视频中船只的识别过程中受技术架构、动态背景、水文、波浪以及摄像头自身抖动等因素的影响,存在识别精确度不高且有较高的误报率和漏报率的问题,导致视频识别不能很好的辅助渔港管理和服务。深度学习技术的发展为解决这一问题提供了技术支撑,深度学习技术的自动提取特征和泛化性强等特点可以提高监控中渔船的识别精确度和鲁棒性。本文通过对双阶段目标检测算法Faster-R-CNN和单阶段目标检测算法YOLOv5算法的研究,完成了渔船数据集制作、渔船检测和对现有算法的改进设计,具体工作如下:（1）提出了一种基于改进Faster-R-CNN算法的渔船目标检测模型,首先是锚框的优化,使用Kmeans++聚类算法对区域建议网络（RPN）生成的锚框的尺寸和位置进行优化;其次使用提取特征更好的Res Net50网络替换掉原算法中的VGG16网络,并且在Res Net50网络的卷积层加入坐标注意力机制（Coordinate Attention,CA）加强特征的提取;然后利用FPN网络将特征细节更多的低层次特征图与语义信息丰富的高层次特征图进行融合后;最后在预测框筛选时,使用Soft-NMS方法替换传统的NMS方法,降低重叠目标的漏检率。（2）基于YOLOv5设计一系列改进实验,首先通过Kmeans++算法对锚框重新聚类,选择适合渔船数据集的锚框尺寸;然后在YOLOv5的骨干网络中融入CBAM注意力机制获取更多细节特征;再采用加权双向特征金字塔网络（BiFPN）代替原先的FPN+像素聚合网络（PAN）结构,快速进行多尺度特征融合;最后在检测尺度上去掉大目标的检测尺度,增加更小目标的检测尺度,改用新的三个检测尺度,提高了模型对小目标渔船的检测精度。（3）对改进Faster-R-CNN算法和改进YOLOv5算法从精确度、召回率、检测速度和检测鲁棒性等多角度综合讨论分析两种算法的优缺点,其中为检测算法鲁棒性,对比分析了在大雾环境、渔船船体显示不全、船体不同朝向和光照影响等不同海况下两种算法的性能,并且针对算法的不足之处提出改进的思路。（4）设计和实现了一个基于改进YOLOv5算法和B/S架构的渔船识别系统。根据两种改进后算法的性能对比结果,采用性能更优的改进YOLOv5算法,基于港区的视频监控数据,对渔船流量统计、进出港、特殊管控时期（台风、禁渔期）的船舶异动和夜间行为等实现动态可视化智能监管。