近年来,海洋溢油事故频繁发生。来自石油钻探平台的事故或石油运输管道的破裂将导致大量原油的泄漏,如2010年发生的墨西哥湾溢油事故、2013年黄岛输油管道破裂等;运油船舶的撞击或倾覆会导致混合的油品泄漏,如2018年桑吉轮撞船事故;船舶行驶过程中也可能无意地泄漏或有意地排放燃料用油与机械的润滑油。这些溢油事故不仅造成资源的浪费,经济的损失,也对事故周边的环境、生态造成严重的破坏。快速准确地标绘溢油污染区域、识别溢油的种类,对于回溯事故的成因、确定事故来源与责任、推测潜在的危害与损失、订制事故现场的清理计划与规划环境生态的恢复方案有着重要的意义。高光谱成像仪（HRS）虽然可以获取精度在10nm之内的近似连续波段信号,但对于地物遥感图像而言分辨率在20nm至40nm左右就已经足够。高光谱技术以其图、谱合一的优点在溢油测量中发展潜力很大,应用前景广泛。而且通过超高光谱的遥感识别技术从化学机理角度也可以鉴定油膜组成。而且高光谱遥感从机理角度能够识别油膜组分。本文利用高光谱图像数据的这一特性,搭建了一套快速、便捷的机载高光谱探测设备,为水上溢油监测部门提供了一种能够实现短周期巡航、快速识别溢油目标的探测系统。本文具体的研究内容如下:（1）介绍了油膜的光谱探测的原理,依据水面油膜光谱图像数据的特性,根据细粒度分类的原理,结合光谱反射原理以及油膜的光谱特性,进行了油膜光谱采集实验,探究了不同表面粗糙度、不同厚度,不同入射天顶角下对油膜反射光谱的影响。选取了随机森林（RP）、支持向量机（SVM）和深度神经网络（DNN）这三种机器学习模型,对水面油膜进行了依据溢油种类进行了细粒度的分析。并通过机器学习模型实现了对具体溢油种类的细粒度分类。（2）并提出了通过混淆矩阵评估机器学习模型分类准确性的办法,将评估分类准确性的指标体系分为使用者准确度（Users’Accuracy,UA）、生产者精度（Producers’Accuracy,PA）、总体精度（Overall Accuracy,OA）、真阳性率（True Positive Rate,TPR）、假阴性率（False Negative Rate,FNR）、真阴性率（True Negative Rate,TNR）、假阳性比例（True Positive Rate,TPR）。为了选择最佳的机器学习模型对溢油目标进行识别,本文利用了自然光照下的油膜高光谱成像实验产生的数据,来探究随机森林（RP）、支持向量机（SVM）、深度神经网络（DNN）三中算法对溢油目标识别的效果。通过比较对柴油、润滑油、重油、原油四种油在不同厚度、不同光照条件、不同表面粗糙度下实现的机器学习细粒度分类结果,得出了深度神经网络（DNN）模型分类结果最为准确的结论。并且依据油膜光谱特征,对于深度神经网络（DNN）算法增加了一个池化层,用以实现对光谱数据的降采样,从而降低数据维度,提升模型运算效率,且学习精度几乎没有损失。（3）为了验证机器学习模型同样适用于机载数据,本文使用了深度神经网络（DNN）算法,对于由AVIRIS拍摄的墨西哥湾溢油事故现场高光谱图像数据,进行了分析。结果表明该方法能够较好地区分厚油膜、薄油膜与海水。证明了机器学习模型应用于机载数据的可行性,并利用无人机、光谱仪和公共机等小型设备搭建了机载水面油膜高光谱探测系统,该系统具有起降方便,重访周期短的特点。可以为海洋监测管理部门提供了良好的数据支撑和执法依据。