高度的舰船智能化水平不仅有助于提升海监部门的自动化执法能力,而且在监管海洋资源和防卫国土安全等问题上,也发挥着极大的作用。船舶识别技术作为智能船舶的核心技术之一,通过实现目标理解及属性分析,来提供更多的有效辅助决策信息,为智能船舶自主避障和自主决策奠定基础,从而提高船舶智能化水平和安全保障能力。但受海上雨雾环境及检测船舶目标过小等不确定因素的影响,为船舶识别技术带来极大的挑战。基于以上问题,本文提出了一种复杂海面环境下基于深度卷积神经网络的船舶识别方法。主要研究内容如下:(1)针对部分船舶样本具有目标与背景区分度较低、噪声干扰及雨雾遮挡等现象,导致模型不能提取更多的有效特征信息,造成船舶识别准确率较低的问题。本文提出图像增强算法、改进的加权联合滤波算法及改进的暗通道先验去雾算法对测试样本进行预处理,来提高样本目标与背景的区分度,减少外界环境因素对船舶识别任务的影响,从而提高船舶识别的准确率。(2)船舶识别是海上交通监控中最具有挑战性的任务之一,其需要在复杂海面场景中对极小尺度船舶目标进行精准分类和定位识别。本文通过研究深度学习理论及其算法,并结合船舶识别任务的高准确率及实时性的要求,提出了一种改进的快速回归检测算法YOLO-G。该算法通过重新构建基础网络Darknet-65,对船舶目标进行特征提取,并利用多尺度特征交互层将浅层位置信息和深层语义信息进行高度融合,从而获取目标的坐标信息及类别标签;并选取先验框机制和调制损失函数对网络模型进行优化,进一步减少无效特征信息对识别精度的干扰,从而提高极小目标的识别准确率和模型精度。(3)本文选取自建船舶数据集和MS-COCO数据集对YOLO-G网络模型进行测试评估,来验证其有效性。实验结果表明,在图像分类方面,改进后的YOLO-G模型在船舶分类任务中获得了96.5%的识别准确率,相比YOLOv3算法提高了6.5%,实现了在复杂识别环境中对船舶目标的正确分类;在模型精度方面,YOLO-G在MS-COCO数据集上取得34.9%平均精度均值(m AP),其模型精度远高于SSD、DSSD、YOLOv2、YOLOv3等先进的单级检测器,相比YOLOv3模型精度提高了5.7%,满足了复杂海面船舶识别的任务要求,证明所提出的船舶识别算法切实可行,具有较高的研究和应用价值。