在我国内河航道上,船舶的通行监测和计量一直存在短板,原因是我国幅员辽阔,航道多如牛毛,船舶数量多,管理难度大。同时航道上的船舶并没有充分使用AIS,导致航道部门无法进行监测和计量,不能有效统计船舶数据,这一系列的现象体现了目前航道部门所面临问题。起初人们使用传统的运动检测算法如背景减除法、差分法、高斯模型法等,结合轮廓检测算法来发现运动的船舶,进而监测船舶的动态。但是传统的算法易受周围环境的干扰,如光照,天气等,这些因素导致算法无法稳定持续运行。随着人工智能的到来,卷积神经网络开始在图像视频中大规模应用,其中以YOLO系列为代表的卷积神经网络以速度快,准确率高为优势,在工业领域中率先开始应用。卷积神经网络无需专门设计特征提取器,而是通过端到端的训练与学习,提取图像的抽象特征,使其能够识别与定位图像中的物体。同时面对复杂,变化的背景,网络具有很强的鲁棒性.本文以YOLOv4 Tiny网络为基础,将多目标识别网络改进为单目标识别网络,并通过加载预训练权重,融合了真实船舶图像数据进行迁移学习,提高了网络识别的准确度。并通过改进识别方式,动态调整识别频率,使得网络工作效率大幅提升。在计数方面,使用IOU跟踪算法对目标进行跟踪,并抛弃了传统的相邻帧坐标相减法计数,利用快速排斥和跨立试验算法可以更加快速准确地判断目标是否跨越分界线。本文最后提出了一种新颖的测量船舶载重量的方法,可以快速估计船舶的载重量。