无人艇在进行全自主航行时，会面对复杂多变的水面场景，需要快速而准确地检测识别出周围不同类型的障碍物。传统的水面目标检测算法，大多存在泛化性差、无法直接识别出目标类型等问题，难以满足无人艇对于环境感知的要求。而基于深度学习的目标检测识别算法，不仅能够克服光照、尺度和场景等变化所带来的影响，还能够同时检测识别出不同类型的目标，可以帮助无人艇准确地获取周围环境信息。但与此同时，当前基于深度学习的目标检测识别算法在实际应用中，也存在着定位精度不高、速度慢、检测结果不平滑以及模型复杂度高等问题。为了解决这些问题，本文开展了一系列基于深度学习的水面目标检测识别相关技术研究。　　针对当前算法定位精度不高的问题，并考虑到水面场景的特殊性，本文提出一种基于分割和边缘信息的目标检测重定位算法。利用基于深度学习的目标检测算法获得初始目标框，然后通过提取和分析目标的底层特征，以迭代的方式不断的调整目标检测框的位置，使其能够恰好包围目标，从而提高检测框的定位精度。针对当前算法速度慢、不平滑的问题，本文提出一种检测跟踪一体化算法。通过制定组合策略，高效地将目标检测算法与目标跟踪算法结合起来，大幅度提高算法整体效率。本方法能够判断是否检测到新目标，从而提高算法平滑性；同时还提出一种跟踪重校验结构，能够及时剔除跟踪失败的目标，提高算法准确率。　　对于小型无人艇而言，不能搭载高性能计算设备，无法运行复杂的目标检测识别网络模型。为了降低模型复杂度、提高算法运行效率，本文从参数分析和数据驱动两个角度出发，分别开展卷积神经网络模型压缩的工作。两种压缩方法配合简单的重训练策略，可以在保证目标检测识别算法准确率的前提下，大幅度降低模型复杂度，提高算法运行效率，使之有效的在嵌入式开发设备上运行。