近年来随着我国内河运输业的快速发展,船舶数量不断增加,航行风险也随之增大。对内河船舶流量进行实时有效监控,减少船舶交通事故的发生逐渐成为海事管理部门关注的焦点和科研工作者研究的热点。目前基于视频图像的运动目标检测与跟踪已经取得了丰硕成果,但由于内河航道环境复杂导致船舶流量检测仍存在较大的发展空间。因此,基于航道监控视频图像,结合计算机视觉相关算法与当前发展迅速的深度学习方法研究一种适用的船舶流量检测方法,对船舶航行安全管理、航道合理利用、港航实时监控具有重要意义。本文从实际船舶流量检测需求出发,分别对船舶目标检测、船舶目标跟踪,以及基于视频图像的船舶分类流量检测方法进行研究。针对已有方法在实际应用中的不足,提出若干优化改进。实验结果表明,本文研究方法能够满足实际应用需求,能够实现高效、准确的船舶流量检测。本文主要研究工作及成果如下:(1)针对内河船舶目标检测任务,本文基于SSD目标检测算法设计了船舶目标检测框架。首先应用膨胀卷积对原始SSD目标检测算法的最大池化下采样层进行了替换,增大了模型的感受野,提高了模型对实际监控视频图像中面积占比较小的船舶目标的检测效果。然后采用轻量级网络模型MobileNetV2作为SSD的骨干特征提取网络,优化模型规模。最后针对原始SSD默认框长宽比设计策略并不适用于以长方形为主的船舶目标检测问题,基于船舶目标检测标注数据集利用K-means++方法进行了调整。实验结果表明,本文船舶目标检测方法具有较好的检测效果。(2)针对内河船舶目标跟踪任务,本文基于孪生网络目标跟踪模型并结合实际监控图像,设计了适用于真实船舶航行场景的目标跟踪方法。首先通过实际航道监控视频图像制作了相应训练集,增强了跟踪模型对待跟踪目标的先验信息。然后基于监控场景属长期跟踪范畴且存在不可抗拒遮挡问题,研究了基于模板帧间歇性动态更新的船舶跟踪方法。最后基于船舶航向固定、航行缓慢的特点优化了搜索区域扩展策略。实验结果表明,本文船舶目标跟踪方法能够应用于实际应用场景。(3)针对内河船舶流量检测任务,本文基于实际航道监控视频图像研究了一种结合虚拟检测线与目标跟踪的船舶流量检测方法,该方法包括先验区域检测部分、船舶目标识别与跟踪协同部分,以及基于虚拟检测线的船舶流量统计部分。首先通过先验区域检测部分对监控区域内是否存在船舶目标进行判断,一旦检测到船舶目标,启动船舶目标识别与跟踪协同部分对其进行分类并展开跟踪,最后人为标定虚拟检测线,通过计算跟踪模型预测的船舶目标边界框中心与虚拟检测线之间的距离实现船舶流量的统计。实验结果表明,本文提出的船舶流量检测方法具有较高的识别与计数准确率。