随着“碳中和”、“碳达峰”以及高质量发展目标的制定,国家对环境保护力度逐渐加大,有效的河流环境保护能够提高河流生态固碳能力、提升社会发展质量。河流污染监测是河流环境保护中的一个重要环节,目前河流污染监测的主要手段是监测站传感器对水质的检测,而水面污染主要靠人工定期巡查来发现处理,监测效率低、成本高并且危险系数较高。为提升河流污染监测能力,本文利用环保部门部署的河流监控摄像头拍摄的河流水面图像,从河流水面这个新的角度出发,结合深度学习技术,设计实现了河流水面污染识别系统,能及时发现污染物,降低环境保护成本,保护河流资源,为河流污染监测提供了一种新的解决方案。本文主要的工作如下:（1）为排除河道区域之外的干扰因素对河流污染等级分类的影响,提出了一种基于改进U-Net的河道语义分割算法,提取图像中的河道区域作为后续河流污染等级分类的数据图片。改进的U-Net在网络下采样部分添加了多尺度特征融合,将高层提取的特征与底层特征进行融合,增强特征图的语义、空间表达能力。另外,在网络的上采样部分改用Dupsampling结构对特征图进行解码,提升特征上采样的效率和精度。通过实验表明改进后的U-Net网络相较于原始的U-Net、FCN以及Seg Net在河道语义分割任务中效果更好。（2）为了提高模型对河流污染等级分类精度,提出了分组卷积与双注意力机制模块（Grouped convolution dual attention,GCDA）,并将其部署在Res Net50上对河流水面情况进行污染等级分类。分组卷积的使用能够降低网络的参数量和计算量,通道和空间两种注意力机制的结合能增强网络对图像的特征提取能力,从而提升图像分类效果。通过实验表明,该算法相比原始的Res Net50以及分别添加空间注意力机制或通道注意力机制的Res Net50在河流水面污染等级分类中的效果有明显提升。（3）以改进的U-Net和部署GCDA模块的Res Net50为核心算法,通过需求分析、系统设计、系统实现和系统测试四个步骤,搭建了河流水面污染识别系统,实现了视频监测、系统管理和河流污染识别等功能模块,能够对监控采集图像实时识别和预警,为河流污染监测提供了新的解决方法。