由于海上环境的复杂性,无人船进行目标检测与分割任务时,必须具有快速准确的检测识别能力以及对多种场景的适应能力。在现有的无人船水面目标检测算法中,背景建模法等运动目标检测方法容易被海上环境中的干扰影响,从而出现误检的情况,降低了目标识别准确率。而基于手工特征的目标检测算法容易产生窗口冗余,计算量大,难以适用于对实时性要求严格的场景。针对上述问题,本文提出了基于深度学习的目标检测与分割算法,利用深度卷积神经网络强大的特征提取能力和抗干扰能力,对基于视频图像的海上目标进行端到端的检测,快速识别并捕捉更多的图像细节特征,为后续无人船进行避碰操作或任务转换提供准确且实时的目标信息。主要完成工作如下:1)本文提出了基于YOLO v3网络的目标检测算法,充分利用多尺度特征和快速回归计算的设计思想,对输入图像的各个位置进行不同分辨率的特征提取,减少波浪、光照和雾气等干扰的影响,提高对图像中各类目标物体的识别率和快速性。并从网络通用性和场景复杂度的角度出发,采用更加简易实用的ResNet-50网络结构替换了原有的主干网络DarkNet-53,便于后续联合算法的实现。并依据海上环境中常见的目标物体制作了训练数据集。2)当图像中出现多个目标物体重叠或体型过于狭长的情况时,YOLO算法生成的检测框会出现偏移或直接占据整张图像,导致对图像中的目标位置信息产生检测误差,进而使后续船舶避碰、路径规划等任务产生误判。针对上述问题,本文提出了基于DeepLab v3网络的水面分割方案,使用4种采样率的带孔卷积对输入特征图进行重采样,从拍摄图像中获取不同尺度的水面像素分类信息,实时分割出图像中的水面,以辅助判断目标物体的位置轮廓和基础的可航行区域。3)针对无人船中多种算法并行导致计算效率低和时间同步难的问题,本文提出了多种任务共享同一个特征提取网络的联合算法,提高网络参数运算效率,缓解无人船显存压力,保证多种算法的时间同步。该联合算法采用检测与分割融合数据集,并依据数据集特点改进目标检测候选框的尺寸,降低计算处理时间,提高检测效率。在TensorFlow网络框架中的仿真结果验证了联合算法的实时性和准确性。最后,通过在湖泊中的实船试验测试联合算法的有效性。