随着近年来各国对陆地资源的不断开发，陆地上的自然资源被掠夺殆尽。许多的国家开始重视广袤的海洋资源，虽然进行频繁的开发带来了更多的资源，但对海洋造成了污染，其中溢油污染是海洋污染中最严重的污染之一，其给海洋生态带来了恶劣的影响。因此能够在溢油事故发生时进行及时快速的检测十分必要，海洋溢油检测的研究具有十分重要的意义。
　　本课题主要研究在可见光相机下的溢油检测任务，可见光相机检测快速、部署便利，但可见光下的可获得溢油数据数量少，且溢油区域在可见光下的色彩特性各有不同，难以检测。针对溢油数据数量较少的问题，本文利用图像结构生成网络及图像纹理生成网络新的溢油数据，针对于可见光下溢油区域难以检测的问题，本文提出了新的基于深度学习的溢油区域分割算法。本文的具体研究内容如下：
　　针对溢油图像边缘结构生成任务，在该任务中主要利用生成对抗网络进行图像生成。先在网络输入前端加入高斯模糊模块以扩充原始网络的数据集。其次利用双路ResBlock结构解决该网络训练容易崩溃的问题。最后引入与溢油区域相似形态数据送入训练好的网络，得到具有溢油区域边缘结构的新数据。
　　针对溢油图像纹理生成任务，同样利用生成对抗网络进行纹理生成。首先将边缘结构生成任务的输出作为纹理生成任务的输入，随后进行溢油区域的纹理粘合。并且设计新的归一化层加入原始的生成器网络，最终获得新增的溢油图像。
　　针对溢油图像分割的任务，本文提出了双路分割网络来解决在可见光下溢油区域不同色彩特性难以检测的问题。双路分割网络分为像素级分割网络和像素块级分割网络，前者将灰度溢油图像进行像素级的分割。后者的分割任务则对原始RGB溢油图像划分的小块进行分类。最后将两个网络的分割结果进行融合，得到分割结果。