我国作为海洋大国,海洋经济发展潜力巨大,但有很多海洋权益存在争议,不时发生的海面的争端事件给我国的领土主权带来了威胁,使我国的海洋安全遭遇更为严峻的考验,因此对我国的海面监控、海面国防进行加强具有相当重要的意义。海上目标分割技术在海面监控领域有着重要的作用,此外,在海面无人化战争的场景中,通过提高舰载视觉侦查系统的海上目标分割能力,可以极大地提升舰载武器的反应速度和命中率,进而提升我国的海面国防能力。海雾天气在舰船航行中是较为常见的干扰,会对目标分割任务产生不利影响,因此结合深度学习在大数据特征学习方面的优势,本文提出基于深度学习的复杂天气下海上目标分割算法。首先,提出改进暗通道先验算法对海上目标图像进行去雾预处理,以解决海雾天气会对目标分割结果产生影响的问题。阐述了大气散射模型,详细地探究了暗通道先验算法的去雾原理及推导过程。针对原始暗通道算法耗时过多和大气光估值不准的缺点,提出了基于降采样的加速策略和大气光估值优化的改进算法。通过去雾算法对比实验和去雾效果评价,证明了所提出的改进暗通道去雾算法去雾效果较好。其次,选取Deep Labv3+语义分割算法对海上目标进行分割,针对原始Deep Labv3+网络的目标分割精度不够高的问题,提出改进的Deep Labv3+网络模型,主要改进之处在于使用最优DPC架构对原始Deep Labv3+网络中的ASPP模块进行代替,并在解码器部分把原本的普通卷积替换为深度可分离卷积。实验结果表明改进后的Deep Labv3+网络在海上目标分割任务中的准确率比改进前的Deep Labv3+网络更高,其整体MIo U指标提升了4.1%。最后,采用Mask R-CNN实例分割算法对海上目标进行分割,解决改进Deep Labv3+算法存在的遮挡情况下分割结果目标粘连问题。并且针对网络分割速度慢的缺点,提出基于融合BN层到卷积层的网络加速改进,并对损失函数进行了优化,以提升海上目标边界的分割效果,实验结果表明改进后的Mask R-CNN网络在速度和识别率方面都有提升。设置对比实验,环境包括不同背景下的单目标、多目标、遮挡目标、小目标,并且考虑海雾天气对分割结果的影响,实验结果验证了改进Deep Labv3+与改进Mask R-CNN网络分别在分割速度以及分割精度上的各自优势。