随着人工智能、深度学习的快速发展,无人化、智能化已经成为船舶发展的主要方向之一。无人船作为全自动的水面机器人,能够在复杂的海洋环境下自主航行从而代替人类完成重要任务。自主航行能力的实现依靠船舶对环境的精确感知,但是在复杂海况和高速航行时,现有无人船对周围航行环境的感知无法满足自主航行实时性和准确性的要求。基于此问题,本文围绕无人船环境感知系统展开研究,提出了基于深度学习的视觉传感器目标检测方法、以及激光雷达和摄像机传感器数据融合的方法,从而提高无人船的在复杂海洋环境下对航行环境的感知能力。本文的主要研究内容如下:(1)针对传统的人工特征提取方法对视觉传感器获取的图像信息处理时,存在的盲目性和低特征性,提出基于改进的Faster R-CNN的视觉传感器海上目标检测方法。采用深度学习的方法自动获取海上其他目标船只的深层次的特征。该方法基于Faster R-CNN进行目标检测,并使用性能更优的残差网络作为卷积网络框架。在模型训练的过程中,结合了难负样本挖掘策略,从而提高模型在复杂海洋境下检测的精确度。(2)针对单传感器获取的目标信息存在局限性,设计基于激光雷达和摄像机传感器数据融合的环境感知方法。通过坐标转换和多线程的方式实现传感器系统空间和时间的统一,在此基础上将传感器所测的数据进行自适应加权算法融合,从而使获取的障碍物信息更加准确,提高感知系统的可靠性。(3)构建了基于ROS(Robot Operating System,机器人操作系统)的传感器数据融合模型验证平台。首先通过Gazebo搭建智能无人船的感知系统,得到激光雷达和摄像机数据后进行分析,激光雷达能够获取障碍物的坐标和距离信息,由于单目相机无法获取障碍物的深度信息,本文利用双目相机测深度原理,对左右两个相机获取的图片信息进行ORB(Oriented FAST and Rotated BRIEF,基于FAST特征点和BREIF特征描述子)方法的特征提取与像素匹配,获取相机的视差,从而得到障碍物的距离信息。然后通过传感器数据对融合模型进行验证,仿真显示融合模型能够提高感知系统对障碍物的测距能力,为无人船的自主航行提供了数据的保障,提高了航行的安全性。