近年来，随着世界经济增长与科技水平飞速发展，越来越多国家与地区将发展的眼光聚焦于广阔无垠、资源丰富的海洋。为了在资源开发与海洋国防等领域占据先机，世界各国纷纷大力开展海洋装备的研发工作，水面无人艇USV(Unmanned Surface Vehicles)便是先进海洋装备的组成部分。实际上，无论是军用领域还是民用领域，水面无人艇都有着极其重要的价值。加快无人艇相关技术的研究对我国提升海洋装备水平有着极其重大的战略意义。
　　本文依托华中科技大学研发的“huster-68”无人艇以及其配套科研平台，重点研究了基于机器视觉的无人艇环境感知技术。文本研究方向包括：低对比度水面图像增强技术、水面目标检测识别模型压缩技术与水面目标跟踪技术。详细内容如下：
　　在对低对比度水面图像进行增强时，传统的图像增强算法需要人工设置参数，且运行效率低。针对以上问题，本文用卷积神经网络重构了MSR算法，提出了MSRN模型。并引入通道级视觉注意力机制与编解码结构来改进MSRN网络的结构，提出了MSSEN模型。实验表明，MSSEN模型对低对比度水面图像增强效果明显，除此之外，基于MSSEN网络，本文提出了低级视觉任务与高级视觉任务结合的框架，以端到端的形式完成图像增强与水面目标检测识别的任务，提升了整个算法的性能与效率。
　　在无人艇上部署水面目标检测识别模型时，传统的检测识别模型精度不够，而基于深度学习的检测识别模型参数量大，无法在嵌入式设备上运行。针对以上问题，本文首先将YOLO系列算法引入到水面目标检测识别领域，然后从权重激活度量与参数优化度量两个角度提出四种卷积核参数评价指标，并提出单阶段的动态加权剪枝策略对YOLO系列模型进行剪枝压缩。实验表明，本文压缩的模型在保持检测识别精度基本不变的条件下参数量与能耗量显著降低，推理速度大幅提升。
　　在对水面目标进行跟踪时，基于模板匹配算法与普通的相关滤波算法无法应对目标物形态、尺度与颜色等因素多变的情况，而基于深度学习的跟踪算法计算效率低，无法满足工程需要。针对以上问题，本文首先研究了基于核相关滤波的水面目标跟踪算法，分析其采样方法的不足之处，在此基础上，研究了基于背景感知相关滤波的水面目标跟踪算法，其改进了采样方式，提了跟踪器性能。实验表明，基于背景感知相关滤波的水面目标跟踪算法在背景复杂、目标物不清晰等苛刻条件下依旧有着不错的表现。