海上溢油对海洋环境、海上运输造成了严重的影响,而这些溢油危害主要来源于存油基地、海上钻井平台以及船舶。溢油发生后,实时掌握溢油的分布信息对后续的应急决策、清污工作极其重要。遥感技术因其具有能够获取大面积信息的优势,在溢油检测研究中发挥着重要的作用。与雷达、激光、多光谱影像数据相比,高光谱遥感影像具有监测范围广、连续波谱信息、高维度特征的优势,在环境监测中扮演着重要的角色。近些年随着传感器技术、机器学习技术的发展,高光谱图像识别技术逐步向“空谱”结合处理以及深度学习方向发展。但当前基于高光谱油膜识别研究中,极少采用“空谱”联合技术和深度学习技术;在系统集成方面,当前的研究只是针对于某种模型进行,并没有将多个模型进行系统集成,形成可操作的软件系统。针对上述存在的问题和目前技术需求,本文在高光谱油膜相对厚度识别以及船舶初步检测方面做了相关研究。首先,采用一种基于异常检测的方法,在提取油膜感兴趣区域的同时找到船舶感兴趣区域;之后将支持向量机、BP-神经网络以及基于支持向量机的栈式自编码网络成功的应用到船舶溢油目标识别中,其中基于支持向量机的栈式自编码网络在验证集上总体分类精度为71%,Kappa系数为0.635,实现了海面溢油相对厚度信息的提取;其次,结合空间和光谱特征改进了基于支持向量机的栈式自编码网络提高了该算法在验证数据集上2%的分类精度,同时建立适合于本文油膜识别的卷积神经网络模型,该模型在验证数据集和训练数据集上的AUC值分别为0.72与0.96,解决了“空间同质性和异质性”的问题;最后,将文本涉及的算法集成,形成可训练和可重新加载模型的软件系统。本文将“空谱”结合技术和深度学习技术引入船舶溢油目标识别中,对海上溢油信息获取提供了一套完整的技术方案,并将多种算法模型进行了集成,集成系统具有较强的实际应用价值,为船舶溢油事故的应急与处置提供有效的技术支撑。