海洋在世界经济活动中的地位日益重要,航运密度大幅增加,对近海海域监管、海洋生态环境、船舶航行安全都带来了极大挑战。近海监管系统可以对通航环境整体把控、违法行为调查取证、突发事件应急处置,是维护国家主权、安全和海洋权益的必备力量。所以,近海监管系统需要对广阔的所辖海域实现全面覆盖、响应及时的有效监管。而近海海域监管问题中最为重要的因素就是各类船舶,只有掌握了近海海域船舶的身份和其它信息,才能有效保障海洋交通的安全运行。围绕上述问题,对基于艇机协同的海上目标识别的关键技术进行了研究,分析了船舶目标作为刚体在身份ID区分上的特点,在特征提取和特征检索上做了针对性设计和优化,设计了一种基于艇机协同的船舶识别方法。针对海上船舶目标检测中目标尺度跨度大、小尺寸目标分布大的问题,基于YOLOv3模型加入SPP模块和对训练数据作mosaic数据增强。针对目前尚无可用船舶重识别数据集的问题,以网络图片为原始数据,以YOLOv3-SPP提供边界框标注,构建了船舶重识别数据集Vessel ID-600。为了模拟视角进而组织数据集,提取图片的HOG特征后进行聚类,得到数据集所需的相机ID。Vessel ID-600数据集的建立为后续算法优化研究提供了实验基础。针对船舶重识别中样本的类间距离小、类内差异大的问题,提出了一种细粒度局部特征提取网络。该网络在Res Net的基础上加入了自注意力机制和广义均值池化,使用分类损失和带难样本挖掘的三元组损失作为多任务损失函数。消融实验和泛化实验结果表明,该网络在Vessel ID-600上有优秀的识别准确率,并有一定的泛化能力,能面向其它刚体目标或其它视角下达到先进水平。针对连续视角图片序列的信息冗余和视角变化两个问题做了研究。针对图片序列作为重识别的输入时的信息冗余问题,提出了基于特征融合的检索优化方法。实验表明,该方法在准确率和耗时上均优于对照组。此外,针对刚体目标在不同视角下的特征差异,量化分析了视角对重识别准确率的影响。以量化分析结果作为艇机间信息交互方法的理论指导,设计了一种基于艇机协同的船舶识别方法。