海上化学品泄漏事故发生的机率近年来节节攀升，而对于这些会对海洋造成危害的化学品被统称为危险有毒物质(Hazards andNoxiousSubstances，HNS)。目前对于海上漂浮无色泄漏区域的检测分割方法的研究仍处于初步阶段。运输量大的化学品多呈无色透明状且具有毒性，在可见光图像中与背景水体的差异细微，同时波浪、耀斑、以及光照不均等使得水体背景复杂，难以使用传统分割算法提取泄漏区域。针对以上问题，本文对多种水体环境下漂浮无色化学品区域的紫外(Ultraviolet， UV)图像与RGB图像的目标特征进行了分析，利用无人机载成像系统对远距离紫外图像下化学品泄漏的紫外成像试验，提出了一种目标增强算法来增强淡水中漂浮无色化学品目标与背景的差异，同时利用漂浮无色化学品在淡水、海水等多种水体环境下的紫外图像数据集结合卷积神经网络图像分割框架构建化学品分割检测模型。利用搭载于飞行平台的紫外成像系统获取泄漏区域紫外图像，配合自动分割方法的实现可为海洋HNS泄漏区域快速、自主定位提供技术支持，进一步的为我国海面HNS泄漏应急响应提供必要的决策依据。
　　为降低淡水下漂浮无色化学品图像中阴影、耀斑等复杂背景对目标分割的影响，在对目标区域特征分析的基础上，提出利用目标区域的灰度值信息、梯度值信息、局部信息熵信息设计漂浮无色化学品目标增强方法。利用图像灰度直方图信息自动化聚类簇个数选择流程，实现模糊聚类分割。53张图片的分割结果中平均准确度为0.9679，平均精确度为0.9497，平均召回率为0.8112，平均F1数为0.8614，平均处理时间1.6609。通过与多种传统分割方法的量化对比，验证了所提方法在淡水环境复杂背景条件下对无色漂浮化学品目标的分割能力。
　　为了实现淡水、海水多环境下的目标分割，在掩膜区域卷积神经网络(Mask RegionConvolutional Neural Network，MaskR-CNN)框架基础上，建立适宜用于水面漂浮无色化学品分割的卷积神经网络模型。针对目标分割过程中出现的将纯水体图片中误分割目标的问题，通过优化MaskR-CNN框架中的损失函数，降低模型的过拟合程度，从而提高对水体背景下漂浮无色化学品目标分割效果。在测试集上分割结果中平均准确度为0.8872，平均精确度为0.7898，平均召回率为0.8634，平均F1数为0.7793，平均处理时间0.2568。对比海水图像与淡水图像的分割效果，海水图像中受波浪影响显著，水面背景纹理复杂，化学品边界区域模糊，以上问题导致了分割结果不如淡水图像。后续需针对海面背景复杂图像开展进一步的分割方法研究工作。