随着航运业的快速发展,内河关键航段的船舶吞吐量和海域航运船舶的船舶数量逐年增加,以航运船舶碰撞和海盗劫船为主的安全事故日益多发,对航运业的安全带来了巨大威胁。参考相关文献,目前研究者对内河监控系统的检测和跟踪技术进行了广泛的研究,但缺少针对船舶多分类任务和运动船舶的船尾拖纹干扰问题的研究。针对上述问题,本课题结合船舶智能视觉系统,对船舶长时段鲁棒性跟踪的关键技术展开了研究。船舶智能视觉系统对视野中的船舶进行检测和分类,有助于提前发现可疑船舶,提出预警。针对船舶检测和分类技术,本文提出一种基于YOLOv3的船舶检测和分类技术,实现对航运船舶的实时监控。该算法将YOLOv3算法与暗通道先验去雾算法结合,确保检测算法提取视频帧中准确的深层语义信息,提高检测和分类的精度。实验结果标明,该方法能实时检测水域船舶并做船舶分类,检测精确度达到89%,为后续船舶长时段跟踪提供保障。船舶跟踪作为船舶航线预测和反击海盗劫船过程中关键的一环,针对跟踪中船尾拖纹干扰和目标遮挡问题,提出一种抑制船尾拖纹的长时段船舶跟踪方法,旨在提升船舶跟踪精度并实现长期跟踪。首先对图像预处理,提升图像清晰度;然后跟踪中使用离线训练的拖纹检测器检测水面拖纹位置,实时矫正船舶跟踪结果;跟踪中根据感知哈希算法判断是否发生目标遮挡,当遮挡时使用在线检测器对目标区域进行检测,找回船舶位置以初始化跟踪器,实现长时段跟踪。实验结果表明,该方法能有效抑制船尾拖纹对跟踪的影响,提高船舶跟踪结果的精度,并实现长时段船舶跟踪。