近年来智能船舶技术不断发展,海洋战略地位也日益提高,为了提高对于海洋的监管与控制能力,各国逐渐加大了对于水面无人艇的研究。无人艇在海面复杂环境航行时,为了能够实现其自主避障功能,需要实时地对海面上的舰船目标进行感知、识别和标定。本文以此为切入点,运用深度学习算法,研究舰艇目标检测问题,针对无人舰艇航行过程中舰船检测任务的需要,重点从提高检测算法的精度和速度等方面开展研究。本文主要研究内容如下。针对海面舰船数据集缺乏的问题,本文自建了舰船图像数据集。通过网络爬虫爬取大量的舰船图片,将舰船图片进行手工标注,数据集一共有6000多张图片,包含货船、客轮、帆船、军舰以及普通船只五种舰船,为后续的深度学习网络的训练与评估打下良好基础。同时,所建立的数据集弥补了现有舰船数据集的空缺,为以后舰船检测任务提供有效资源。本文建立了一种改进的Faster R-CNN舰船目标检测深度学习算法。使用Faster R-CNN算法在自建的训练集上进行训练,完成舰船检测任务,同时为了进一步提高网络的检测精度,对于基础特征提取网络进行改进,选用更深层的残差网络替代原始的VGG-16网络,并利用聚类算法对网络中锚盒进行重新定义,使锚盒更加具有针对性。在此基础上,使用soft-nms算法替代原始的锚盒筛选算法,在一定程度上减少了高遮挡情况下的漏检问题。实验验证,使用改进算法的网络mAP值从81.97%提高到了86.04%,验证了优化算法的有效性。针对Faster R-CNN网络检测速度较慢的问题,本文进一步研究了基于R-FCN的舰船检测算法,给出了算法的优化策略。研究过程中发现,Faster R-CNN算法中RoI-wise子网络需要单独计算,拖慢网络检测时间,为此,本文选用R-FCN全卷积结构,实现ROI网络的参数共享,从而加快的网络的检测速度;同时为解决深层网络的位置不敏感问题,使用了位置敏感得分图,为了进一步优化R-FCN检测网络精度,除了使用改进锚盒以及soft-nms算法,还先后使用了OHEM算法以及修改分类损失为focal loss两种方式解决网络中样本类别不均衡的问题,进一步提高网络检测精度。本文利用所建立的舰船数据集,在Ubuntu系统下,对优化前后的算法的m AP值及检测精度进行对比,结果表明,改进R-FCN网络相较于改进Faster R-CNN网络在运行速度与精度上均有较明显的提高,能够满足无人舰艇,对海面舰船实时进行检测的要求。