海面目标检测在对海洋资源的开发利用中起到关键作用。海面环境复杂多变,目标种类繁多。考虑无人艇的安全和避障等因素,海面目标检测图像的拍摄过程会使得图像中小目标的数量居多,这对精确检测海面目标提出了更高的要求。目前,基于深度学习的目标检测方法多依赖深层网络结构来提高检测精度。网络模型常存在参数量过大、计算复杂等问题,导致检测速度较慢。另外,深层网络对设备的计算能力要求较高,而压缩模型会影响网络的检测精度。模型在轻量化的同时能够保证甚至提高检测精度,成为亟待解决的问题。本文将无人艇作为海面目标检测的载体。面向避障、智能船舶等应用中的需求,利用深度学习在目标检测领域的强大优势,对海面目标检测进行研究。主要工作内容如下:（1）通过对不同特征提取网络的检测精度和模型大小进行对比分析,使用模型剪枝的方法,改进了基于Xception的深度可分卷积特征提取网络,并应用于单点多盒检测器SSD（Single Shot Multi Box Detector）模型中,利用迁移学习的思想进行训练,得到轻量化海面目标检测模型XSSD。（2）为解决模型轻量化后参数量降低带来的检测精度损失问题和小目标漏检问题,通过分析计算机视觉中的注意力机制,引入一种轻量级注意力机制模块LAM,并将其应用于轻量化海面目标检测模型XSSD的特征提取网络中,搭建了注意力机制改进的轻量海面小目标检测模型LAM-XSSD。通过消融实验验证轻量级注意力机制模块的作用,并与其他几种模型分别进行了多组实验,验证了LAM-XSSD模型的可靠性。（3）对查阅文献中的海洋障碍检测数据集进行了重新构建,将检测目标设定为船和浮标两类,使用label Img软件进行标定,并统一处理为VOC2007数据集格式,以避免原始图像经过帧处理后因连续性较强而导致的过拟合问题。（4）设计并实现了一个海面目标检测系统。利用axios,Vue.js,element UI等函数库和框架完成浏览器客户端页面设计,基于Flask框架和B/S模式进行前后端一体式开发。无需安装,支持远程访问,可为用户提供网页版的在线式交互性应用服务,也可为前后端开发人员提供API版的在线式开放性应用服务,提高了后期维护和管理的效率。