海洋拥有丰富的生物和矿产资源,使用深海设备跟踪水下生物、监测与跟踪深海采矿过程等对人类探索海洋资源具有重要意义。如何对水下单目标物体进行快速、准确、稳定的跟踪成为近些年学者们研究的热门课题。水下单目标跟踪存在一定的特殊性和难点,例如水下图像的清晰度和对比度差、背景环境复杂多变、物体自身的运动以及被遮挡等。近几年机器视觉和深度学习快速发展,以深度学习为核心的单目标跟踪算法在处理复杂环境下的自然图像时,其准确性、稳定性和实时性明显优于传统的单目标跟踪算法。因此,本文针对复杂水下环境严重影响水下单目标跟踪的准确性、稳定性和实时性的问题,基于孪生卷积神经网络SiamRPN++算法进行水下单目标跟踪的研究,主要包括:(1)针对水下图像存在清晰度和对比度差、背景复杂多变等干扰因素导致水下图像特征难以提取的问题,本文将Conv4_x的层数由50增至62,设计了基于ResNet-62骨干网络结构的SiamRPN++。以VOT2016的5组水下单目标跟踪视频作为测试视频集,对该算法进行定量分析。结果表明,以ResNet-62为骨干网络的SiamRPN++相比于原算法,其准确度提高20.53%,鲁棒性提高9.07%,EAO提高12.99%。(2)针对SiamRPN++算法中参数量过多、计算量过大以及水下设备的硬件限制等问题,本文借鉴现代网络MobileNetV2中的倒置残差瓶颈块的设计思想,提出了一种新型NewNet-50骨干网络结构,并使用(1)的评价指标对其进行定量分析。结果表明,以NewNet-50为骨干网络的SiamRPN++相比于原算法,其准确度提高12.63%,鲁棒性提高9.07%,EAO提高53.11%,网络复杂度减少49.34%,网络参数量减少37.85%。(3)为达到既能提高骨干网络对水下图像特征的提取能力又能减少网络参数和计算量的目的,即同时提高算法的准确性、鲁棒性和实时性,将(1)和(2)的算法结合,使用(1)的网络层数分布和(2)的基本构建块设计了 NewNet-62骨干网络结构,并使用(1)的评价指标对其进行定量分析。结果表明,以NewNet-62为骨干网络的SiamRPN++相比于原算法,其准确度提高37.89%,鲁棒性提高18.15%,EAO提高71.19%,网络复杂度减少37.95%,网络参数量减少22.70%。(4)进行了以NewNet-62为骨干网络的SiamRPN++跟踪算法的实验研究。通过搭建水下实验硬件和软件平台,在实验过程中设置跟踪物体尺度变化、自身旋转、跟踪物体被遮挡、跟踪物体偏离视野、倒影等干扰因素对跟踪效果进行实验与测试。结果表明该算法具有良好的跟踪性能。