海洋溢油灾害是海洋环境中最受关注的问题之一,对海洋生态环境造成了巨大的危害,因此,海洋溢油发生之后,准确及时地对溢油进行检测,并根据检测结果制定相应的措施,不仅是将损失降到最低的重要措施,也对海洋环境保护和生态资源开发具有重要意义。由于海上溢油检测的特殊性,需要进行大规模检测,利用遥感技术对海上溢油进行大范围、大面积的连续观测成为最有效的溢油检测方式之一。全天时,全天候的合成孔径雷达（Synthetic Aperture Radar,SAR）为海洋溢油检测提供了丰富的数据基础,尤其是极化SAR影像为海洋溢油检测提供了不可代替的数据资源。然而由于SAR影像的成像本身以及外界环境的干扰,会存在大量的噪声给海洋溢油检测造成干扰甚至误判。同时由于低风区以及生物油膜在SAR影像上和海洋溢油同样呈现出黑条状,给海洋溢油检测带来了巨大的挑战,也是海洋溢油检测急需解决的关键问题。同时传统的溢油检测方法大多依赖于阈值的设定或者是模型参数的设置,存在显著的主观性和不确定性,导致海上溢油检测精度不高,缺乏泛化能力。针对上述问题,本文提出一种改进全卷积神经网络（Fully Convolutional Networks,FCN）的多极化SAR影像海上溢油智能检测框架。论文的主要研究内容为:（1）提出基于FCN的极化SAR溢油检测框架,首先针对极化SAR影像广泛存在的噪声,对极化SAR影像进行Pauli分解和Refined-Lee滤波预处理,在保证SAR影像极化特征信息同时降低疑似溢油噪声对检测精度的影响;其次,为了有效的区分溢油和疑似溢油,提取了4种特征,分别为强度特征、纹理特征、相干特征和相位差特征,利用FCN生成溢油检测概率图,然后从概率图中识别出溢油覆盖区域。通过实验证明,该溢油检测框架可以有效的识别溢油,检测精度可达89.1%。在此基础上,分别对比了FCN-32s、FCN-16s和FCN-8s的溢油检测结果,验证了实验的有效性。（2）提出了基于改进的多极化SAR影像溢油检测方法,针对FCN模型对空间信息考虑的不足,提出将不同层级卷积层融合机制,实现高层语义特征与低层空间细节特征融合,进而提升海上溢油区域检测精度。经实验对比分析可知,基于改进FCN的海上溢油智能检测框架可有效降低疑似溢油区域对检测精度的影响,同时兼顾考虑多极化与边缘特征信息,实现基于像素的溢油区域检测,最优检测精度可达95.7%。相比传统FCN深度学习模型,实验结果表明本文方法的溢油检测结果表现出显著的优势。