人工景观湖普遍存在于各大校园以及公园景点中,但岸边树叶的飘落和湖底水草的死亡使得人工景观湖的湖面会持续的有漂浮物垃圾积累。人工打捞水面漂浮物的方式效率低下,因此存在高效自动化清洁人工景观湖水面漂浮物的需求。针对这个需求,课题组计划研发一艘水面自动清洁无人船,自动清洁功能的实现需要无人船具备自主检测水面漂浮物的能力。为了解决检测水面漂浮物的问题,本课题制作了一个小型的水面漂浮物数据集,数据集收集了两个人工湖的水面漂浮物图像,漂浮物主要包含漂浮水草和漂浮落叶两种类型。由于漂浮物的视觉特征与普通物体有明显区别,为了保证标注工作的效率,针对漂浮物分布的特点研究并制定了区域标注的标注标准,通过人工标注的形式对漂浮物区域进行了边界框标注。之后利用经过常见物体数据集COCO预训练的Faster R-CNN、R-FCN和SSD三种目标检测模型,在水面漂浮物数据集上进行迁移学习训练,实现了针对水面漂浮物区域的目标检测,并对比并分析了这三种模型在检测水面漂浮物时的表现,SSD目标检测模型有着更高的精确度,Faster R-CNN模型则能给出更详细的预测,而同时拥有更加多元化特征和更加抽象特征的模型在检测困难目标时有着更好的表现。