为了响应交通运输部提出的使用人工智能技术促进内河航运信息化发展的号召,开展基于深度学习的船舶目标检测和跟踪研究势在必行,其中,基于锚框的目标检测算法是目前的主要研究趋势,但锚框机制泛化性能差,算法效率低,因此,无锚框式目标检测算法逐渐发展并受到广泛关注。本文基于无锚框式Center Net目标检测算法来检测船舶,并对其进行改进,提升船舶检测精度,将改进后算法融入先进的跟踪模式,实现了实际场景视频中船舶目标的稳健跟踪。本文具体研究内容如下:1、为了研究无锚框式Center Net中心点检测算法对船舶检测效果,分别以Hourglass-104网络、DLA-34网络和Res Deconv-50网络作为主干网络构建了中心点船舶检测模型,实验过程中发现,不同主干网络下中心点模型对正常情况下的船舶检测效果较好,而复杂情况下的船舶检测准确率不高,通过对模型检测精度、运算速度和网络结构复杂度的综合考虑,选择对Res Deconv-50网络下的中心点算法进行改进以满足实际应用需求。2、为了提高无锚框式Center Net中心点算法的检测精度,在以Res Deconv-50网络为主干网络的中心点算法基础上,提出一种结合空洞编码器和特征金字塔的改进中心点算法。该算法采用基于分组卷积的Res Ne Xt-50网络进行下采样,提取更有效的船舶图像特征,然后引入基于空洞残差网络的空洞编码器增大输出特征图的感受野,生成覆盖多个目标尺度的特征图,以适应不同尺度下的船舶目标检测,并采用特征金字塔网络以特征融合方式进行上采样,将空洞编码器增强后的深层特征图与浅层特征图融合,从而提取得到包含丰富船舶特征信息的预测特征图。实验结果表明,改进中心点算法对不同类型和不同尺度下的船舶检测精度相比原始算法均具有较为明显的提升,并且相比基于锚框的SSD、YOLOv3算法具有更大的精度优势,总体上具有比较平衡的精度优势和速度优势,更切合实际应用需要。3、为了提升船舶跟踪效率,提出一种基于中心点检测与卡尔曼滤波的船舶目标跟踪算法。该算法采用改进中心点算法检测船舶目标,利用卡尔曼滤波算法为检测目标创建跟踪器,并通过匈牙利算法解决检测目标与跟踪器预测目标之间的匹配关联问题,从而实现对实际场景视频中船舶目标的稳健跟踪。实验结果表明,基于中心点检测与卡尔曼滤波的跟踪算法能够应对跟踪过程中发生的船舶部分遮挡、船舶转向引起的严重形变、光线不足、小目标等复杂情况,表现出了较好的跟踪效果。