近年来,各个国家日益重视海洋经济,而海洋装备的推广和应用对海洋经济的发展起着重要促进作用。水面无人艇作为其中一种智能型海洋装备,越来越多的科研工作者投入到了其相关技术研究中,这对水面无人艇的发展有重大意义。针对无人艇目标探测与自主巡航功能,本文重点研究了复杂水面环境下水面目标检测识别和跟踪算法。其中对于检测识别部分,本文根据深度学习中双阶段和单阶段检测识别算法提出了两种不同的解决方案。具体研究内容如下所示:（1）基于Faster RCNN的双阶段水面目标检测识别算法研究。在复杂水面环境下,将Faster RCNN算法直接应用到水面图像上时,会出现定位和识别不精确、小目标漏检频繁、检测速度缓慢的情况,未能提供稳定快速检测识别水面目标的需求。所以本章对此进行了五处改进。在水面特征提取阶段,本章利用多层特征结合方式重新构建了Res Net101提取特征网络结构,通过这种增强表征能力方式可以进一步提高检测和识别质量。在候选区域生成阶段,本章重新设计了先验框以及优化了候选框筛选策略,用于提高检测精度和时间性能。在检测阶段,本章利用了检测框投票策略来矫正目标检测框位置,用于获取更优的检测精度。在实验阶段,使用了各种数据增广方法来提高模型的鲁棒性和泛化能力。经对比实验表明,本章改进的算法在复杂水面环境下有最佳的检测识别性能,可以满足复杂水面场景下可靠快速检测水面目标的要求。（2）基于YOLOv3-TPdense的单阶段水面目标检测识别算法研究。在复杂水面环境下,将YOLOv3算法直接应用到水面图像上时,虽然可达到实时检测效果但检测精度低下,常有误检和漏检现象。所以在此基础上提出了一种YOLOv3-TPDense算法。首先在提取水面特征阶段,利用改进的TPDense密集块来替代Dark Net53网络中低分辨率的降采样层,以便增强特征传播、促进有效特征重用以及提高网络性能,此阶段会更容易获取丰富高效的特征。然后再利用多尺度特征来对不同尺寸目标进行检测,其中涉及到了使用K-means聚类算法重新设计多个尺度的先验框,以便提高定位精度和时间性能。在网络训练阶段,本章改进了损失函数,用于获取更优的检测模型。同样为了提高模型的鲁棒性和泛化能力,使用了数据增广技术来扩充训练样本。经实验表明,该模型在检测质量和检测速度方面有更好的均衡能力,可以达到实时准确检测水面目标的需求。（3）基于KCF-Multi In SORT的水面多目标跟踪算法研究。通常水面目标跟踪算法过分依赖检测器检测效果,倘若检测效率不高并漏检频繁,再加上ID切换频繁、目标存有遮挡等问题,会严重影响水面目标稳定实时跟踪效果。由此提出了一种不完全依赖于检测算法的跟踪框架—KCF-Multi In SORT算法。首先将水面视频序列通过YOLOv3-TPDense算法来稳定快速获取检测信息,并将检测信息送入到Multi In SORT算法和KCF算法中。当检测信息丢失时,KCF跟踪器将利用上一帧水面目标检测信息来对当前帧的水面目标进行跟踪,通过此跟踪信息再利用Multi In SORT算法来匹配和更新跟踪器;相反当检测全部成功时,只需在KCF跟踪器中记录检测信息,不需要启动该跟踪器。经实验表明,这种不完全依赖检测算法,结合深度学习跟踪算法和传统跟踪算法的思想可以有效改善上述的难点和不足。并且在水面无人艇进行多目标跟踪场景中能够明显提高跟踪效果,具有更稳定的跟踪功能。