随着石油开采业与海上交通运输的快速发展,海面石油泄漏事故也越来越频繁。溢油事故发生后,原油层会对海洋环境造成持久、巨大的损害。因此,对于溢油区域的准确检测,在海洋环境保护中具有重要作用。合成孔径雷达（Synthetic Aperture Radar,SAR）传感器由于其具有成像范围大、可全天时全天候工作等特点,在溢油检测中具有广泛应用。本文针对现有SAR溢油检测方法存在的问题,开展了基于极化SAR数据的海面溢油检测研究。主要研究内容包含三个部分:（1）提出了一种改进的卷积神经网络（Refined Convolutional Neural Network,RCNN）溢油检测方法,利用全局平均池化（Global Average Pooling,GAP）层替代全连接层用于溢油区域分类,可以减少参数量、提升运算效率。论文利用提出的方法在Radarsat-2全极化数据上进行了实验,结果表明,RCNN准确率达到93.7%,而GAP相比全连接层参数量由76800下降到16个。实验同时证明极化参数的提取具有区分溢油区域和其他相似区域（生物油膜）的能力。（2）针对现有算法并未考虑像素的上下文关系的问题,本文提出了一种结合语义分割与SLIC超像素分割算法的溢油检测方法。该方法在自主设计语义分割模型的基础上,将超像素分割引入到溢油检测算法中。利用Radarsat-2与SIR-C/X-SAR全极化数据进行实验,共提取五组极化参数进行对比。结果表明,本文提出的方法因为结合了SLIC超像素分割的结果,可以获得图像的上下文关系,提高了溢油检测的准确率。以Yamaguchi参数为例,仅使用极化参数时的MIo U值为86.4%,在加入SLIC超像素后达到90.5%。（3）针对实际SAR数据成像时,存在不同时段的成像差异,提出了一种基于语义分割与超像素分割像素值缩放的溢油检测方法,该方法可以在超像素基础上自适应的进行阈值计算与像素值缩放,并通过自主设计的语义分割模型进行溢油检测。本文在由八景Sentinel-1双极化数据形成的数据集上进行实验,使用极化参数与SLIC超像素时,数据集MIo U值最高仅为69.7%,而在引入像素值缩放后提高至87.4%。