充分认识和了解波浪要素是人类进行海洋与海岸水动力基础研究的必要条件,而波高和周期等基本波要素作为重要的波浪观测参数,紧密关联着海岸工程的建设,因此,为其研究一种高精度的测量方法至关重要。在此背景下,本文基于大比尺波浪水槽实验平台开发了一款基于图像分割的波面实时测量系统,并将其封装成可应用软件。文章主要的工作内容如下:第一,介绍了研究的方法,布置了实验环境。阐述了研究所用的图像分割算法和卷积神经网络的相关技术。对大比尺波浪水槽的实验环境进行了布置,确定了摄像机的分辨率、帧率、焦距等参数,搭建了视频采集系统。另外,刻度尺的安装和标定工作也做了具体说明,并在大水槽进行了多组不同工况的波浪实验。第二,基于边缘检测进行波面测量实验。测量前,先对波面图像进行了校正处理,并进行了数据的预处理工作,包括波面图像的灰度化、滤波处理和波面ROI区域设定。采用阈值分割法对波面的形态进行了分割,通过边缘检测识别波面线,并利用刻度尺标定关系完成波面高度的转换,但发现该方法仅能对普通环境下的波面图像进行分割,而对于含有强光照和墙皮破损等强干扰因素的复杂场景,无法进行测量。因此,基于边缘检测波面识别的测量方法仅对普通环境下的实验进行测量,并与波高传感器进行结果比较。结果发现,基于边缘检测的波面测量方法比波高传感器的测量精度更高。第三,开展了基于卷积神经网络的波面测量方法研究。采集了各种实验环境下的波面图像,并对其进行预处理工作,包括标签制作、数据增强和数据归一化。详细介绍了网络模型的训练环境,包括计算机硬件的配置和所用软件的配置环境。同时,对量化网络模型质量的损失函数和评价指标进行了选取,横向对比了几种卷积神经网络的性能。采用结果最优的U-net卷积神经网络实现了复杂实验环境下的波面测量,并且通过U-net卷积神经网络对所有环境下的波浪实验进行测量。结果表明:U-net卷积神经网络比边缘检测和波高传感器具有更高的测量精度,更适用于实验室各种环境下的波浪测量。第四,开展了波面测量软件的设计和开发工作。阐述了软件的各个功能,介绍了软件设计的整体方案、开发和应用环境,并介绍了基于图形界面开发工具Tkinter的界面开发过程,对程序进行封装,完成波面测量软件的开发。