在合成孔径雷达图像中,受短重力波和毛细波的影响,海面布拉格散射大大减弱,使得油膜在SAR图像中产生暗斑。暗斑提取是溢油检测的第一步,图像分割效果直接影响溢油位置和面积信息的提取和溢油精度的检测。除油污之外还有一些人为和自然现象(波浪、洋流和低风)也会导致海面上的低散射区,以致溢油图像中总是存在不均匀强度、高噪声和模糊边界的现象,使得这种图像的自动分割非常困难。本文基于SAR图像的弱边界、边界复杂和不均匀强度等现象,提出了一种新的深度网络框架DB-Segnet的SAR图像溢油分割方法,即通过端到端的训练方式获得有效而鲁棒的分割结果。本文的主要工作和研究结果概括如下:首先,进行数据集的制备。本文从5景SAR溢油图像中以不同的窗口大小裁剪数据,每景数据中选取420个有效样本,共2100个初始样本。然后对其中的105个样本进行加噪处理,分别添加10个噪声水平的加性噪声和乘性噪声得到的2100个加噪样本。使得原始样本和加噪样本在数据集中的比例为1:1,整个数据集包含4200个样本。其次,得益于深度编码解码架构Segnet在语义分割方面取得的巨大进步,本文首次将Segnet语义分割模型应用于SAR图像的溢油分割,在理想状态下得到更加鲁棒的溢油分割模型。但是在实际的SAR图像中存在大量的噪声,这种情况下大量的噪声被当成主要的溢油特征被学习,使得检测精度低。为了解决上述问题,本文在原有Segnet网络的基础上提出新的网络结构DB-Segnet。DB-Segnet不仅可以学习到更加精确的特征表示,而且可以有效对抗SAR图像高噪声以及模糊边界的情况。并且在网络训练过程中,通过对不同学习率的测试比较,获取最优学习率进行模型训练。再次,基于4200个样本的数据集对模型进行了训练和测试,并与FCN模型及其他经典机器学习算法进行了对比实验。通过在4种评价标准(PA、MA、MIoU和FWIoU)上详细分析和对比各组实验结果,证明了 DB-Segnet结构在高噪声和模糊边界上的分割精度明显高于FCN及其他传统算法(如:SVM、RF、CART和Otsu等),达到95%以上的像素精度,并且在高噪声上的分割中表现了更高的鲁棒性。最后,为了验证实验结果是否存在偶然性和过拟合现象,本文进一步对模型进行过拟合分析与交叉验证实验。实验发现在样本量不足的情况下会导致模型过拟合,因此适当的增加训练样本可以有效的提高模型的检测效果。