内河航运具有船舶种类多、船只密度大、随波起伏、水雾影响、岸桥环境复杂等特点。要保障内河航运的安全、高效运行,必须建立先进智能的航运管理体系,而对船舶目标的快速、精确检测和有效跟踪是智能化航运管理体系的基础和关键技术,其研究对提高船舶的智能驾驶和管理部门的管理水平具有重要意义。传统的船舶目标检测算法在复杂的内河航道上鲁棒性较差、检测精度弱、耗时多,不能满足船舶的智能航行管理需求。近年来,随着深度学习在各类竞赛中大放异彩,越来越多的研究者使用深度学习算法来进行船舶的检测与识别。本论文针对传统的船舶目标检测算法存在的问题,设计了基于特征注意力和特征融合增强技术的YOLOv3算法作为船舶目标检测器,将改进的Deep SORT跟踪算法作为船舶跟踪模块,两者相结合,实现内河船舶的自动检测与跟踪。本文的主要内容概括如下:1.通过在内河航道监控视频上选取一定帧数制作船舶数据集,并通过Label Img标注为VOC格式,考虑过拟合问题,通过数据扩充的手段增加数据集数量。然后基于监控视频进行传统船舶目标检测算法实验,分析了传统算法在内河船舶检测上的局限性。2.在自建的数据集上,基于Faster R-CNN、SSD和YOLOv3算法进行对比实验,分别将三种算法的船舶目标检测平均精度、各类别精度、准确率、召回率和时间等指标进行对比分析,选择性能最佳的YOLOv3算法进行优化改进。设计了基于特征注意力和特征融合增强技术的AE-YOLOv3（Feature Attention Feature Enhancement YOLOv3）船舶目标检测器。通过引入注意力机制构建特征注意力模块,将其嵌入Darknet-53中进行特征通道的重校准,提高了模型在复杂通航背景下目标的特征提取能力;针对YOLOv3特征融合过程中,低层特征语义信息不足的问题,构建特征增强模块,将其作用于特征融合部分,增强了对应的特征层的感受野大小和特征提取网络的关联度。在扩充后的船舶数据集上进行实验,结果表明AE-YOLOv3检测器不论检测性能还是时间都有着更好的效果。3.将AE-YOLOv3船舶目标检测器与改进的Deep SORT跟踪算法结合,实现船舶的自动检测与跟踪。使用AE-YOLOv3目标检测器对水面船舶进行检测,然后使用改进的Deep SORT算法对船舶进行跟踪。实验结果表明,本文设计的系统可以更好的检测船舶的类别,并且可以精准跟踪相应的目标。