无人艇、无人机等设备因其自身机动灵活、时空分辨率高、易于海空配合等特点,已逐渐成为海域实时监测的重要载体,这些设备在自动巡航过程中必须依赖图像分割技术,而图像语义分割能够标记图像中每一个像素,并将每一个像素与其所表示的类别对应起来,进而实现对观测图像的实时自适应识别。相比之前的传统算法,虽然现今基于深度学习的图像分割算法,在算法性能及分割结果上都有了大幅度的提升与增强,但大多数分割算法都有其特定的场景及适用范围,无法完全照搬到每个场景,尤其是海域场景。因此,本文针对现有语义分割算法的不足并结合海域图像特点,运用深度学习方法,开展海域图像语义分割算法的深入研究,对于海洋资源开发与利用有着重要的科学价值和战略意义。主要的研究成果如下:1)在海域原始图像数据预处理阶段,针对海域场景图像内容具有极大自相似性、图像数据稀少且单调的问题及小目标引发的类别失衡问题（桥、航标等场景偏少,海平面、天空场景偏多等）,提出了一种基于混合卷积网络的图像超分辨率重建算法。算法引入多种数据增强的方法来扩充样本数据量,同时基于混合卷积网络,构建了图像超分辨率重建算法,对图像中小目标进行超分辨率重建,以增大其在样本数据中的权重占比,从而解决海域场景图像内容的类别像素失衡问题。首先,通过在上采样阶段将低分辨率的图像放缩至指定大小;然后,在特征提取阶段提取低分辨率图像的初始特征;接着,将提取到的初始特征送入到卷积编解码结构中进行图像特征去噪;最后,在重建层用空洞卷积进行高维特征提取与运算,进而重建出高分辨率图像。在通用数据集上与当前先进重建算法进行实验对比,结果表明,本文算法的超分辨率重建效果优于其它重建算法,同时解决了海洋图像数据类别非平衡性问题,以及实际应用场景下样本不足的问题。2)针对现有分割算法不能很好结合上下文内容信息等问题,提出了一种基于增强编解码结构网络的图像语义分割算法。算法网络结构由三部分组成:初始特征提取、编解码网络、特征融合及图像语义分割。首先,对图像进行基础的初始特征提取;然后,在网络编码阶段使用了一种残差稠密连接单元结构,增强模型捕获图像的上下文信息能力,在网络解码阶段使用亚像素卷积的上采样方式,解决了现有反卷积/反池化等上采样解码方式引起的信息缺损问题,并继续使用残差稠密连接单元提取高级特征;接着,使用具有远程跳跃结构的残差学习方法对网络提取的高层语义特征与低层视觉特征进行特征融合,并输出融合特征,最后对拼接的融合特征进行像素级分类以生成最终分割结果。实验结果表明,以平均交并比（mean IOU）为评价指标,相比现有先进算法FCN、SegNet,本文算法分别高出7.20、5.11个百分点。图22幅,表3个,参考文献70篇。