我国拥有丰富的海洋油气资源,海底管道在运输这些资源过程中扮演了重要的角色,不仅使运输成本降低,而且使运输过程更加安全。但是管道长时间在海底,难免会受到海水的侵蚀和海洋生物的影响,从而产生泄漏问题,不仅会对环境造成破坏,还会造成巨大的经济损失。目前还没有一套固定有效的海洋管道检测维修技术,传统的靠电磁波等信号检测的技术准确率较低,且易发生漏检,还需做二次检验,不利于工作的展开。新兴的靠海底光学图像检测的方法,其依靠传统光学图像检测算法寻找图中直线特征,易受到外界物体干扰,准确率也不尽如人意。而深度学习算法可以自动提取图像特征,准确率较高且检测时间较低,为目标识别技术增添了发展的动力。因此,本文提出了基于深度学习的水下海底管道图像检测算法与分割算法,并对水下图像做了基于双目视觉的立体匹配定位研究,主要研究内容如下:1)基于深度学习的水下环境目标检测方法研究。使用水下机器人对水下环境海底管道进行巡航检测,发现泄漏点及时去处理是此部分研究的内容。由于传统的水下环境目标检测的准确率不高,检测速度较慢,本文研究基于深度学习的海底管道检测,分别使用Faster R-CNN和YOLOv3检测方法对海底管道及泄漏点进行检测,结果表明在准确率相差无几的情况下YOLOv3在速度上明显优于Faster R-CNN,因此本文选用YOLOv3算法作为水下环境目标检测方法。2)基于深度学习的水下环境目标分割方法研究。检测出水下环境中海底管道的泄漏后,还要准确找出泄漏点的位置,从而进行维修。本文研究使用基于深度学习的图像分割算法,由于需要对泄漏点进行定位检修,需要将图中的每个管道分别标号,因此采用实例分割算法,分别使用MASK R-CNN和YOLACT算法对海底管道及泄漏点进行分割,并且在两种方法的基础上改进,融合两种方法的优点,在特征提取层加入多层特征图,减少高层与低层特征图之间信息流通的距离,在分割层使用新的损失函数和非极大值抑制方法,通过实验验证本文改进方法较前两种方法均有一定优势。3)基于双目视觉的水下环境海底管道泄漏目标定位研究。发现管道泄漏点后,要对泄漏点进行实际测距定位,本文使用基于双目视觉的目标测距定位。由于水下亮度较低,选用对亮度不敏感的立体匹配算法:Census算法与NCC算法,并通过融合改进两种算法,使匹配效果达到最佳,实验结果表明改进算法测得距离更接近实际距离。