水面无人艇具有体积小、机动性好、应用范围广和成本低等优点，在民用和军事层面均有很好的应用前景。深入研究无人艇不仅具有巨大的经济价值，也对我国国防事业有着重要而深远的意义。海上目标检测识别是水面无人艇的关键技术之一，目的是实时、准确地识别检测出无人艇周围的障碍物目标。基于视觉的目标检测方法具有成本低和应用范围广等特点，非常适合应用于无人艇。但现有海上目标检测算法多在实验室进行验证，对无人艇实际应用场景和需求把握不全，直接应用于无人艇存在准确性低、实时性较差等问题，导致对周围环境感知能力减弱，无法有效保证无人艇的安全航行。因此，针对这些问题，本文以小型水面无人艇为载体搭建视觉系统，结合实际应用场景，设计了基于深度学习的海上目标检测算法，并通过无人艇湖上试验进行验证。主要研究内容和成果如下：
　　针对现有模型准确率低和实时性差的问题，基于YOLOv3模型改进设计了海上目标检测模型。对无人艇应用需求和经典网络的结构进行分析，采用四种基础模块搭建了用于特征提取的主干网络。对YOLOv3模型进行优化，设计了海上目标检测模型Net-Y。使用深度可分离卷积代替主干网络中的传统卷积，得到小型的检测网络Net-S。经过计算对比，小型化后的网络相比原网络参数量和计算量分别降低了45%和35%。
　　针对现有算法在无人艇上应用时性能下降，开展了无人艇目标检测应用场景需求和特点分析，构建了海上目标检测专用数据集。对公开数据集筛选的图片和自采数据重新标注，共计75000余张图片，并使用图像增强扩充数据集。采用基于交并比的损失函数，在上述数据集分别训练了Net-Y和Net-S。与其他海面目标检测算法相比，所提出的模型在性能上有所提升。在输入分辨率为720×1280的情况下，Net-Y模型和Net-S模型的精度分别是83%和81%，推理速度分别是12FPS和17FPS。
　　针对无人艇上计算资源有限的问题，使用TensorRT工具压缩Net-S网络，得到推理速度更快的Net-ST模型，并集成部署到小型水面无人艇自动驾驶软件中，在湖泊区域进行测试。测试结果表明，Net-ST模型在输入分辨率为720×1280时，检测精度与Net-S模型基本持平，而速度大幅提升至35FPS。因此，所设计的检测模型在保证精度较高的情况下，也满足实时性要求，从而提高了无人艇对周围环境的感知能力和无人艇航行过程中的避障性能。