舰船追踪任务对海面侦查、航线调度和货物运输具有重要意义。为了实现海洋领域的智能化和信息化,利用计算机视觉技术与深度学习方法完成舰船追踪逐渐成为了国内外的研究热点。然而现有方法在实际应用中还存在以下两个挑战:（1）在样本数据少、场景简单且有先验锚框的情况下,舰船追踪算法存在尺度问题和特征模糊问题。（2）在样本数据多、场景复杂且无先验锚框的情况下,大多数算法忽视了相邻帧之间的关系并且仅使用单一的模板特征。为了解决以上问题,本文研究并实现了基于深度学习的海面舰船目标追踪算法,旨在提升舰船目标的追踪精度。主要研究内容和创新点包括:（1）基于精细化特征和多维注意力的有锚框舰船追踪算法。在数据库中存在大量不同尺度的舰船目标,这些尺度差异问题会降低模型的鲁棒性,同时会影响追踪精度。针对这一问题,本文提出了精细化特征金字塔网络,它由两部分构成:特征金字塔网络和残差增强模块,特征金字塔网络先对多个特征图进行横向连接和上采样操作,再将获取到的不同分辨率的特征图逐次融合,使追踪模型能够解决尺度差异问题;残差增强模块则进一步优化融合特征图,增强特征的连续性,减弱其混叠效应。舰船追踪任务的另一个问题是在舰船行驶过程中受到周围的海浪影响导致目标不够清晰,针对这一问题,本文提出了多维度注意力机制策略,该模块能分别从舰船的宽度、高度和通道三个维度对目标进行约束,使网络在训练过程中更加关注与舰船本身,而非目标周围海水和背景信息。（2）基于动态存储和分层上下文感知的无锚框舰船追踪算法。在舰船追踪任务中,由于一段视频中相邻帧的相似度很高,因此时序信息与相邻帧的关系不可忽视,针对这一问题,本文提出了动态存储机制,它能在一个预先定义的存储器中自动保存、融合和更新当前帧与前几帧的图像特征,同时由于它是动态变化的,该存储器几乎不消耗内存空间,对整体的网络影响非常小。此外,为了探索模板中更多的表征信息,本文提出了一个分层上下文感知模块,它是一个分层结构,每一层都通过一个全局扩张卷积模块和一个局部扩张卷积模块来增大特征图的感受野,这样的设计使网络的信息不再单一,能够提取更多的特征上下文信息,进而提升追踪任务的稳健性。本文分析了不同数据和场景下的舰船追踪任务的问题和挑战,研究并实现了基于深度学习的海面舰船追踪算法。经过大量实验验证,本文提出的两种算法均能有效提高舰船追踪精度,同时为舰船感知领域提供了良好的技术支持,有助于推动海洋智能化的发展。