在航运愈加密集的情况下,水上事故的频繁发生对人民的生命安全和生态环境造成了严重的危害,对水上目标进行全天时的智能识别已成为世界各国普遍的关注问题。随着各种传感设备性能的不断提升,多源影像在目标信息获取中存在巨大优势,因此急需利用不同探测手段实现水上目标智能识别,最大限度地保障航行安全。本文主要研究了基于红外和可见光图像的水上船只识别方法,主要内容包括如下。(1)针对传统船只识别算法对同一视场中,大小不一的多形态船只识别精度低的问题,研究并实现了基于单步级联神经网络的多形态船只准确识别方法。该网络由特征提取、尺度变换和分类回归三个模块组成,首先对自建数据集聚类分析生成适当的anchors作为目标检测的先验框,并在模型训练过程中引入GIo U评价指标提高困难样本对损失优化的贡献程度;然后设计四种尺度的特征金字塔,经过尺度变换模块完成高低阶特征融合;最终利用分类和回归模块完成多尺度预测,实现在可见光条件下,対微小船只和大型船只的一体化精确识别。通过対公开数据集和自建数据集测试,证明本方法在检测识别精度和速度上都优于其他对比方法。(2)针对红外和可见光融合识别过程中,配对的红外训练数据集不足和标注困难的问题,研究并实现基于双向生成对抗网络的红外和可见光图像高逼真转化方法。该方法设计两组生成器和判别器互相对抗性学习,经过交叉损失实现网络迭代更新,同时在生成器中引入深度残差块完成红外和可见光图像的不同层次的特征提取和转化,最终完成红外和可见光图像的互相转化和自动化标注。为后续的融合识别提供高质量的训练样本集。(3)针对红外和可见光融合识别过程中,指导性融合策略缺乏导致融合识别精度低的问题,研究并实现了基于对称融合网络的红外和可见光船只精确识别方法。该方法利用双流特征提取模块完成红外和可见光图像各自特征提取,经过张量拼接完成特征融合,在分类和回归的过程中,设计自适应权值分配模块调整红外和可见光的特征比例,得到最终的检测识别结果,完成全天时目标识别任务。通过対多组实际数据测试,证明本方法的识别效果优于其他方法。