随着海上贸易的迅速发展,海洋安全的重要性日益深入人心。实现海上船舶目标的自动识别对民用船舶贸易以及军事活动都有着深远的影响。在现实生活中,传统的船舶自动定位技术以及视频监控系统存在识别精确度不高等的缺陷,识别效果有待改进。现有的智能识别算法在进行图像识别时,往往因为待识别图像的气象条件较差,岸基背景复杂以及待识别船舶目标较小等原因,识别精度不高。本文在传统影像特征研究的基础上,对基于卷积神经网络的YOLOv3识别算法进行改进,用以对复杂海况下的船舶进行识别。本文的主要研究内容如下:1.在分析深度学习以及目标检测算法的基础上搭建YOLOv3网络,对常规海况以及复杂海况下的船舶进行分类实验;发现原有的网络架构对正常海况下的船舶识别效果较好,而复杂海况下的船舶识别准确率仍有很大的提升空间。2.提出基于YOLOv3的层级融合算法提升复杂海况下的船舶识别的准确率。YOLOv3网络由样本多尺度训练、层级特征提取、感兴趣区选择与生成以及船舶分类这四部分组成。采用样本的多尺度训练,可以有效地增加小目标样本数量并平衡不同种类的船舶样本分布,进而使船舶识别网络能够充分提取小目标特征。通过卷积神经网络的卷积层对船舶目标的不同层特征进行提取,再采用层级特征融合算法,组合底层特征形成有效的图像识别特征。通过非最大值抑制算法对感兴趣候选框进行运算筛选,确定候选船舶位置。将组合特征映射至多元组中进行分类,最终选取分类概率最大值确定候选船舶种类。3.通过实验验证,本文所提出的基于YOLOv3的层级融合算法与原有的YOLOv3深度学习目标识别算法相比,精确度提升了10.91%,能够有效解决复杂海况下的船舶识别问题。