随着生产技术与工业水平的不断发展,社会对于各种能源的需求越来越大,比如:石油资源以及石油衍生物的需求。石油资源的运输主要依靠水路运输,无论是依靠海上石油运输或是依靠内陆河流河道(下文中简称为内河)运输石油,难免会发生交通事故或者其他意外情况,导致石油的泄露,造成严重水体污染。尽管,随着科技的发展,内河的交通系统日益完善,但是随之而来的是更加繁忙的运输路线与频繁发生的交通事故造成石油泄漏等问题,不但污染环境也给内河周边人们生活造成影响。目前,国内外关于海面溢出石油的分割技术方面已经相对成熟,然而关于内河中溢油区域的分割的研究略显不足,图像分割精度会直接影响溢油位置、面积信息的提取和溢油检测的精度,且内河溢油的检测需要快速实时,因此内河溢油分割问题中精度是关键速度也是不可忽略的因素。从影响因素来看,内河环境相比海面环境更加复杂,有更多的干扰因素,使得内河溢油更具有挑战。本文以内河溢油区域分割为研究课题,具体工作如下:首先,就光照因素造成的内河溢油图像质量不佳不能训练出最优图像分割模型而影响分割精度,提出加入图像修复算法改善图像质量。强光照下易引起的水面反射,反射造成的光斑区域图像信息损失而无法分辨亮斑处是水或是油;光照不足的情况下,又会使溢油区域的特征不明显使得分割困难。本文提出利用图像色彩增强与快速行进修复算法的预处理方法,且在预处理方法中加入超像素块,以像素块为单位修复图像代替原算法中以像素点为单位的方法,可以加快图像预处理的速度。其次,就传统分割方法计算复杂不能达到实时分割速度的问题提出以下解决方案。为了解决速度问题,本文提出以Xception为主干的ICNet网络分割内河溢油。以预处理后的图像作为ICNet训练数据可以有效提高分割的精度,以Xception为主干网络,深度可分离卷积代替普通卷积,分开提取通道特征与空间特征,且使用大量的1×1卷积代替大的卷积核,可有效减少计算量,减少参数模型,提高模型运算速度,达到实时分割效果。最后,本文根据以上实验思路,将基于Xception的ICNet模型应用于上千张预处理后的溢油图像训练出分割模型,将该方法与经典分割算法(FCN,SegNet)及近年提出的轻量级网络模型(UNet)进行对比实验。实验结果表明,本文方法的综合性能优于其他三种模型。