近年来,随着计算机、网络、通信等技术的飞速发展,为水路交通信息化发展奠定了重要基础。航道基础设施是保障水路交通畅通、平安、高效的重要前提,其运行状态的智能监测与预警是交通新基建领域的研究热点。以航标为代表的内河助航设施,标识了内河船舶可航水域边界;随着船岸协同的智能航运发展,其重要性不言而喻。然而,内河航标运行环境复杂,其运动特征受风、浪、流、船舶等多因素影响;航标倾覆、故障、移位、丢失等现象屡见不鲜。同时,内河航标体积一般较小,借助常用的目标检测算法实现航标识别难度大。本文结合当前主流的关联规则挖掘算法和深度学习模型,开展了内河航道航标事故规则挖掘分析和内河航道航标目标检测算法研究,揭示了内河航标事故诱因和内在规律;结合案例分析,验证了算法有效性。具体研究工作总结如下:首先获得了长江武汉航段航标事故相关数据,分析得到了航标事故数据的时间与空间特征;选取H-mine关联规则挖掘算法,从遍历约束上提出改进,结合多维因素影响的航标事故数据集,论证了模型优越性;总结挖掘结果,提出了研究航段航标事故的预防建议,同时将有关船舶碰撞致因的强关联航标事故规则用于内河航标图像检测。其次,构建了内河航道航标图像数据集,分析了图像数据集中涵盖的航标种类及其基本特征信息;明确了该内河航道场景中较为优良的潜在特征。依据关联规则研究成果,提出了不同场景图像的处理方式,以提升后续检测模型的鲁棒性。最后,提出了基于Cascade-RCNN网络的改进内河航标检测算法,优化了特征提取网络、损失函数、非极大值抑制算法与锚框机制,以适应内河基础设施特征提取分析与高事故风险场景的目标检测任务;通过案例分析验证了算法稳健性,并与其他同类算法进行了对比研究。