目标检测是很多计算机视觉任务的基础,无论实现图像与文字的交互还是需要识别精细类别,它都提供了可靠的信息。其主要目的是从静态图片或视频中检测并定位特定的目标。在集装箱码头的作业流程中,计算机视觉技术得到广泛应用,提升了作业的自动化和智能化水平,但集装箱自动验残模块却一直没有较成熟的解决方案。基于现阶段集装箱残损识别主要为人工记录,存在安全隐患、处理不准确的问题,本文深入研究Mask-RCNN算法并通过对Mask-RCNN算法改进后可用于该场景,使其代替人工检测,在无人化操作模式下快速、准确地检查集装箱箱体表面状况。本论文首先分析了国内外目标检测算法的研究现状,总结基于深度学习的两种主流目标检测算法发展及其优缺点,分析了提高检测性能和检测速度的两种改进方向,分别是实现小目标物体的高精度检测和目标检测算法轻量化。其次介绍了计算机视觉技术在集装箱码头的应用情况,指出目前集装箱残损检测的相关研究较少,且仅依靠视觉技术实现集装箱箱体多种残损类型的检测,还没有成熟的研究成果,阐述了本课题的研究价值和应用前景。而后根据残损检测在其他领域的研究与应用进展,论证了本文研究思路的可实现性,也为后续基于集装箱残损识别算法的选择提供依据。紧接着,论文对集装箱残损特点进行分析,由于集装箱残损存在残损位置随意性、类型多样性、形状尺寸不确定性、特征易混淆性的特点,增加了视觉检测的难度。基于样本特点和识别的性能要求,对比分析了Mask-RCNN算法与其他深度学习网络、传统机器学习方法、经典图像处理方法相比之下在集装箱残损识别工况下的优势,从原理上阐述其应用于集装箱残损识别的可行性。并以集装箱残损样本为数据集,在相同实验条件下对比了FCN、YOLOV4、Mask-RCNN三种模型在集装箱残损识别任务中的漏检和误检情况,通过实验说明Mask-RCNN应用于集装箱残损的优势。由此本文重点研究Mask-RCNN算法,详细分析了Mask-RCNN算法在集装箱残损检测中仍存在的五点不足。针对其不足,论文从特征提取网络、特征传输路径和函数计算3个方面提出8项改进操作。（1）在特征提取网络改进中,采用两种改进思路优化原始骨干网络。第一种以降低网络模型大小为重点引入轻量化骨干网络mobilenetv3-15,提升模型检测速度。第二种以降低模型误检、漏检情况为重点引入SE-Res2Net101,使用自注意力机制和多尺度特征提升特征提取效率。（2）在特征传输路径改进中,提出4项改进操作。第一项改进为将SE-block模块分别插入特征提取网络和RPN网络中,使模型关注学习残损特征,提高模型学习效率。第二项改进为提出路径融合增强操作,在特征传输中同时保证低层信息和高层信息的利用率,防止由于丢失低层信息导致的位置信息缺失造成漏检情况。第三项改进为提出多全连接层操作,解决可能出现能定位但无具体分割信息的问题。第四项改进为提出融合上采样与空间金字塔上采样,基于目前常见的上采样操作优缺点进行改进,提升该操作准确性与快速性。（3）在函数计算改进中,提出3项改进操作。第一项改进针对Relu激活函梯度下降不够平滑且在负值时会形成“死神经元”问题,使用Mish激活函数进行替换。第二项改进为用CIOU替换IOU计算,解决在某些情况下IOU无法衡量两矩形框距离关系的问题。第三项改进为提出C-Soft-nms操作优化后处理算法,解决两个不同但接近的目标框因重叠面积过大而导致其中一个框被删除的问题。针对集装箱残损样本数量少且工况复杂等特点采取数据增强、迁移训练和引入无监督残损检测思路3种训练策略,解决小样本及误检等问题。论文对比分析了引入上述每一种改进操作得到的模型测试的识别结果与原始模型的识别结果,得到最终改进Mask-RCNN模型,其最终漏检率和误检率分别为3.521%和9.961%,召回率和准确率分别为96.479%和90.039%。从对比结果显示,本文提出的改进Mask-RCNN模型可以实现集装箱残损视觉检测,且具有更优的准确率和召回率。最后基于本文提出的改进Mask-RCNN算法研究集装箱残损识别工程应用的适应性,在已有识别功能的基础上增加识别残损程度功能及识别除已训练残损类型外的其他异常情况,确保出现的残损集装箱均能被模型检测。