舰船作为海上监测、管理和打击的重点目标,对其进行快速准确的典型事件检测,并结合情报分析手段识别其行为,可以给海上交通管制、海洋专属经济区保护、非法捕鱼监管、走私偷渡打击等各种处置和决策提供支持。当前,舰船目标事件检测及情报分析过程存在智能化程度低、信息无法实时处理、应用模式效率低下等不足,如何利用海洋大数据实现高效的舰船目标事件检测及情报分析已经成为海洋信息处理智能化发展的研究重点和难点。因此,本文针对海洋大数据处理智能化的需求,开展了基于深度学习的舰船目标事件检测和情报分析相关关键技术研究,主要完成工作如下:(1)通过对国内外研究现状、AIS数据预处理方法、深度学习相关理论的分析总结,本文设计并实现了一种基于深度学习的舰船目标事件检测方法,该方法选用已有的卷积神经网络作为基础网络,并使用时序信息学习分支、轨迹特征通道加权、多尺度卷积以及快捷连接等方式进行改进和优化,提升了深度网络的特征表达能力、对重要特征的捕捉能力以及对特征局部变化的适应能力。(2)以近海海洋牧场中非法捕鱼事件的取证和监管为应用背景,进一步设计并完善了舰船目标事件检测及情报分析方法。首先,通过对海洋多源异构大数据进行信息融合,可以获取舰船目标特征的最优估计;其次,结合基于深度学习的舰船目标事件检测方法和基于滑窗的非定长轨迹分析算法,解决了事件轨迹难以准确划分的问题;最后,利用基于事件检测的情报分析方法,实现了对舰船目标非法捕鱼事件的识别。(3)实验分析及讨论:首先,使用公开的真实AIS数据集,构建本文的舰船目标特征轨迹数据集;第二,在同一舰船目标事件检测辨识框架下,开展性能对比实验,实验结果证明本文提出的方法实现了90.8%的准确率,优于已有的其他7种方法,相较于基础的卷积神经网络提升了5.6个百分点;第三,不同类别事件的实验结果表明,本文方法对捕鱼事件的检测召回率达到95.1%,满足非法捕鱼的取证和监管应用的需求;最后,把本文方法部署在指定的嵌入式设备,实现了每秒200段轨迹的处理速度,满足实时性要求。(4)基于Vue.js与Spring Boot的前后端分离框架,综合利用Java、Mybatis等工具,设计并实现了面向海洋智能监管应用下的舰船事件检测原型系统。