随着无人驾驶技术的不断发展,无人艇技术已经广泛运用于海上岛礁检测、海上运输以及海上军事探测。但是在无人艇海上执行任务的过程中,船舶以及冰山等漂浮于海面的物体会由于其运动的不规律性以及形态的不确定性,对无人艇的安全航行以及执行效率产生极大影响。所以为了保障无人艇安全地完成任务,海上动态障碍物的识别以及运动路径检测是必不可少的一个环节。由于海上交通的发展、海上天气预报以及海上地图的完善,无人艇在制定路线对冰山等障碍物进行路线规避的同时往往会遇见他船障碍物,所以对影响无人艇海上航行的船舶进行识别以及跟踪是实现无人艇安全航行的重要保障。传统的船舶目标检测算法由于无法对障碍物进行分类以及难以准确对障碍物的精准定位进而影响避障精度,于是难以应用于动态船舶障碍物的识别跟踪。目前,可以通过卷积提取深度信息并且对物体进行分类的卷积神经网络解决了传统算法这一不足,为无人艇海上动态船舶障碍物的识别打下了坚实的基础。针对SSD在无人艇海上航行时视觉系统获取的静态船舶图像识别不准确,以及识别精度偏低的问题,提出了基于改进SSD(Single shot multibox detector)的无人艇海上船舶识方法。该方法在SSD网络的第七层增加L2正则化对其进行改进,使得SSD每个卷积层的参数比较均衡,降低模型对局部特征的敏感性,从而提高船舶识别的置信度。在实验中通过准确率以及置信度比较了 SSD与改进SSD的性能,实验结果表明,该方法具有较好的海上船舶识别效果,并且基于改进SSD训练出的模型具有更好的泛化能力。然后在算法中引入动态视频流检测以及路径跟踪,在检测障碍物的过程中,首先通过摄像头获取实时的视频流,然后视频流由摄像头传递到算法检测模块,再由检测模块对视频流中每一帧中的船舶进行识别,然后将识别后的每一帧传到跟踪模块进行跟踪点绘制,最后将所有含识别结果以及跟踪点的帧合并输出含有跟踪路径的视频流。最后使用Python语言完成了基于改进SSD的海上无人艇避障系统的人机交互界面以及相应的不同平台的软件的制作。在制作人机交互界面时,分别在电脑以及英伟达TX2上通过使用Pycharm进行进行Python语言的编写以及运行,然后在程序中调用PyQt5框架制作了含有多种识别功能的船舶障碍物识别软件界面界面。界面生成结束后,在Pycharm中调用Pyinstaller对包含软件界面的python程序进行打包,从而生成可以独立于TensorFlow框架之外的可执行程序。通过软件打包实现了软件大众化,可以使得任何人都可以在任意的计算机中使该软件。融入了静态以及动态的船舶障碍物检测算法的软件构成了海上无人艇的船舶识别跟踪系统。实验结果表明,该软件在进行在线实时测试时,帧率可达到30,能够准确地识别障碍物。在进行离线视频流测试后能将测试结果以25的帧率保存到本地文件夹,并且测试结果能够准确地识别以及提取的障碍物行驶路径。这两个数据均满足无人艇海上航行时的避障识别要求,可以为海上无人艇的航行提供安全保障。