近年来,随着人工智能技术的快速发展,水面无人艇作为一种智能化海洋装备越来越受到世界各国的关注。水面目标实时检测技术是无人艇能够有效完成导航避障、环境勘测、海事搜救等任务的关键技术,然而由于水面环境条件多变、检测目标类型众多、船舶航行时颠簸严重、高分辨率图像下小目标检测难、嵌入式计算平台的性能有限等问题,使得水面目标检测速度和精度难以满足实际应用需求。本文根据水面目标图像的特点以及嵌入式计算平台上进行实时目标检测的需求,研究了一种基于深度学习的实时水面目标检测网络,通过改进网络结构、多尺度训练、网络剪枝、知识蒸馏等网络优化方法,提高了网络检测精度和速度,并在无人艇上进行了试验验证。本文以无人艇视角下的水面目标为研究对象,开展水面目标实时检测技术研究。为提高网络的环境抗干扰能力,以各种时间段、天气以及噪声影响下的水面拍摄图片作为素材,建立了水面目标数据集。通过在网络结构中加入金字塔池化层、在损失函数中对Io U（Intersection-over-Union）的计算公式进行改进、在训练方式上加入了冻结训练和混合精度训练等手段,提高了网络的训练速度以及检测精度。面对高分辨率图像下小目标检测难的问题,采用增加输出层数和减少降采样倍数的方法改进网络结构,并对网络进行多尺度训练,提高了小目标检测的准确率。基于网络模型压缩技术,在损失函数中引入BN（Batch Normalization）层参数作为L1正则化项,实现了网络的稀疏化,同时采用通道剪枝和Res模块（Res Net中的残差模块）剪枝策略对稀疏后的网络进行剪枝,实现了网络模型的压缩,进一步提高了网络的检测速度,并通过知识蒸馏对剪枝网络进行精调,恢复了网络的检测精度。本文提出的YOLO-Ship网络在实际测试中表现出了优良的检测效果,与YOLOv3算法相比,m AP（mean Average Precision）从54提升到了71,检测速度提升了2.67倍,网络模型大小只有YOLOv3的7.25%,在Jetson AGX Xavier上的运行帧率达到了20fps,检测性能优于其他检测网络,为解决无人艇上的实时目标检测问题提供了实践参考。