漂浮物治理作为河道污染中一个普遍存在的难题,越来越多的专家、学者针对该问题进行河流漂浮物智能检测研究。以UAV（无人机）拍摄河流视频为基础,提出了一种基于SSD（Single Shot Multi Box Detector）深度网络的河流漂浮物识别方法,SSD利用COCO数据集的预训练网络模型进行迁移训练。在漂浮物检测算法基础上设计了一套基于Android端的漂浮物智能检测系统。为实现检测系统,本文主要工作如下:（1）河流漂浮物数据集制作。首先,利用传统图像处理技术对无人机采集回的漂浮物污染严重的河流视频设计算法,算法可对视频帧图像进行河道提取,河道提取准确率达83.47%,为进一步提高识别准确率,在原算法基础上添加河道区域矩形相似度判断,使河道提取准确率提升了2.65%,同时,算法对河道提取失败的情况进行纠偏操作,最终河道提取准确率达92.31%。其次,利用该提取算法对采集回的视频进行河道提取,并将河道区域保存为图像,同时剔除无河道图像。最后,利用标注软件Label Image对保存图像进行漂浮物标注,保存生成漂浮物数据集。（2）以河流视频截取图像为样本并采用软数据增强技术对漂浮物图像进行一定扩充,利用多种特征提取网络的SSD和Faster R-CNN深度网络进行样本训练并比较结果。实验结果表明,基于Res Net-101的SSD和Faster R-CNN深度网络模型召回率分别为61.67%和58.83%,F1值分别为71.29%和69.55%,准确率分别为84.47%和85.05%。经实验数据对比分析,基于Res Net-101的SSD深度网络提高了河流漂浮物的精确检测。利用基于Mobile Net提取网络的SSD和Faster R-CNN深度网络模型进行样本训练并比较结果。实验结果表明,基于Mobile Net的SSD和Faster R-CNN网络模型准确率为77.12%和78.14%,F1值为58.15%和56.58%,每秒检测帧数为3.87帧和2.67帧。经实验数据对比分析,基于Mobile Net的SSD深度网络模型识别速度更快。（3）设计与实现河道漂浮物智能检测系统。通过设计河道区域检测算法并分析深度网络模型的性能,使用适用于Android端的多种技术,设计了一种基于深度学习的河道漂浮物智能检测系统的解决方案。