随着对海洋学研究及海洋仪器设备开发的持续加深,服务于海洋科学技术的海洋试验场受到了越来越多人的关注,同时试验场的安全问题也成了最大的挑战。试验场传统安全监测系统主要依靠雷达对目标进行探测,然而随着深度学习的快速发展,基于数字图像的目标识别技术被广泛应用于各类安防系统。因此将传统监测手段与基于数字图像的目标识别技术相结合,对提高试验场安全有重要的意义。本课题将海洋试验场传统监测手段与基于数字图像的目标识别技术相结合,设计并实现了一套雷达、AIS与光学相机协同工作的海上安全监测系统,并对基于X波段监测雷达的海上运动目标跟踪技术和基于深度学习的目标识别技术进行研究,提高试验场安全性。为实现对试验场内海上目标的检测、识别和跟踪功能,课题首先研究用于解决扩展目标问题的点迹凝聚技术,针对传统点迹凝聚算法计算速度慢的问题,提出采用基于轮廓跟踪的点迹凝聚算法。然后对几种典型航迹起始算法进行研究,比较分析直观法、逻辑法和修正的Hough变换法在航迹起始方面的效果,根据试验场实际情况选择修正的Hough变换法用于航迹起始。针对跟踪滤波阶段,研究了扩展卡尔曼滤波和无迹卡尔曼滤波的基本原理和系统模型,根据实验结果选择无迹卡尔曼滤波算法用于跟踪滤波。为了对已有航迹进行更新,对数据关联算法中的最近邻域算法、概率数据互联算法和联合概率数据互联算法进行研究,针对单目标和多目标场景下的关联效果进行了对比分析,并选择联合概率数据互联算法用于实现航迹与点迹的匹配。同时,为了实现对试验场核心区域内海上目标的识别,研究了基于深度学习的目标识别与跟踪算法。考虑到安全监测系统实时性要求较高,选择使用检测速率较快的Yolo目标识别算法。之后在Yolo算法的基础上对基于Deepsort的目标跟踪算法进行研究,在目标匹配过程中添加了目标特征信息,减少了ID Switch问题。最后利用试验场视频监测系统对目标识别与跟踪算法进行了验证。在理论研究的基础上,对海上安全监测系统进行设计,采用多线程处理雷达、AIS和视频数据,实现对试验场内海上运动目标的检测、识别和跟踪功能,最后通过实验对系统进行了验证,对海上目标的识别率可达90%以上。