由船舶运输、海上石油钻井平台、输油管道等社会海洋活动造成的石油泄漏,会对海洋生态系统和渔业构成严重威胁。星载合成孔径雷达（Synthetic Aperture Radar,SAR）对海观测不依赖于天气或光照条件,是一种用于海洋溢油监测的理想微波传感器。现有的SAR海洋溢油探测方法受到算法复杂性、数据量和最佳特征选择的不确定性等限制。为此,我们开发了一种基于深度学习模型的SAR海洋溢油智能探测方法,使用快速区域卷积神经网络（Faster Region-based Convolutional Neural Network,Faster R-CNN）对溢油位置进行探测,并利用UNet网络对溢油暗斑进行分割。这种方法能够在整幅SAR图像上实现快速、准确的海洋溢油位置检测与分割,满足溢油检测业务化需求。为了增强溢油区域在图像中的对比度使其更利于目视解译和模型训练,我们设计了一套预处理流程,其中包括斑点噪声抑制、陆地掩膜、入射角校正和数据标准化。结合专家先验知识以及环境辅助数据和光学遥感图像制定目视解译规则,对1,786幅C波段Sentinel-1和RADARSAT-2 VV极化SAR图像中的15,774个溢油样本进行准确标记,该大型溢油检测数据集被用于训练、验证和测试Faster R-CNN模型。从溢油检测数据集中选取3,000个溢油样本制作的溢油分割数据集被用于训练、验证和测试U-Net模型。我们的实验结果表明,本文所提出的方法在利用宽幅SAR图像进行溢油位置检测和分割方面表现出良好的性能,Faster R-CNN模型溢油位置检测准确率和召回率可分别达到89.23%和89.14%,U-Net模型溢油分割准确率和召回率可分别达到87.63%和86.59%。结合以上两个模型可以在整幅SAR图像上实现海洋溢油位置检测与分割。同时,我们利用准同步光学卫星影像对所提出方法溢油探测结果进行验证,体现出我们所提出方法的可靠性。此外,使用配备NVIDIA Ge Force RTX 3090 GPU的工作站,本文所提出的溢油探测方法对每幅完整SAR图像进行溢油位置检测与分割的运行时间大约为0.4秒,这表明本方法具有在SAR图像中实现快速检测并分割溢油的应用潜力。