水面无人艇（Unmanned Surface Vessel,USV）是一种无人化的水面智能系统,由于其具有体积小,速度快等优势,在环境勘探、水面搜救等众多领域得到了广泛应用。无人艇自主避障技术作为无人艇的核心技术之一,受到国内外诸多学者的关注。而无人艇的环境感知能力是其实现自主避障的前提和基础。目前,以可见光视觉传感器为主,融合多传感器数据的感知方式正成为无人艇环境感知的发展趋势。对于视觉传感器获取到的视频、图像数据,主流方法是通过训练各类深度学习模型实现对目标的检测识别,但深度网络往往结构复杂,超参众多,存在着训练耗时、局部最优、调参困难等问题,阻碍了其在水面无人艇领域的应用。因此,寻找一种结构简洁、性能优良且实时性好的算法模型应用于无人艇的水面障碍目标检测显得尤为重要。为解决这一问题,本文以无人艇的局部自主避障为应用场景,以水面障碍物检测识别技术为内容展开研究,通过船载可见光视频传感器获取无人艇前方图像数据,致力于在算法层面完善水面无人艇的视觉感知能力,检测出障碍目标的相关信息,为无人艇避障决策系统提供决策支持,使其避障更加智能、高效,提高无人艇的自主避障能力。首先,本文引入了结构简洁、实时性好的浅层网络宽度学习系统（Broad Learning System,BLS）,并借鉴残差网络的结构对其前置特征提取层的连接方式进行了改进,在避免网络退化的同时,有效增强了其特征提取能力。之后利用Bagging集成学习思想针对开阔水域构建了水面障碍目标多分类检测模型,并使用迁移学习的方式将模型在大规模数据集Image Net进行预训练,之后冻结底层权值并将其迁移回本文的应用场景中继续训练,从而增强网络对于底层公共特征的提取能力。其次,在完成对多分类模型构建的基础上,不再使用所有类别标签对其训练,而是将多分类模型训练为只针对单一语义标签敏感的单分类器,通过问题迁移的思想,让数据适应算法,之后针对多个单分类器进行集成,从而实现复杂水域下的水面障碍目标多标签检测模型的构建。最后,本文使用多种数据增强及数据预处理技术完成数据集的构建及处理,选取卷积神经网络（Convolutional Neural Networks,CNN）和支持向量机（Support Vector Machine,SVM）作为对比算法,并进行参数寻优,以寻优后的最优参数进行实验对比。结果表明本文使用的BLS算法无论是在多分类模型中还是在多标签模型中,均有着较为优异的表现,在实时性及检测精度等方面,均可满足无人艇的水面障碍目标检测要求。