海上船舶监控图像的自动检测识别对于了解海上船舶分布,海上目标跟踪,海上船舶管理、航道管理、休渔管理、禁渔区管理、海关管理,海防安全等方面都有重要的用途。本研究在分析研究了大量有关目标检测识别方面的资料的基础上,对海上船舶在分割、特征提取、特征识别等问题上进行了较为系统、全面和深入的研究和实验,开发针对视频监控图像中海上船舶的自动分类系统,即在输入图像或视频中确定所有船只目标的位置和类型,包括货船和游船。主要工作和贡献如下：　　 ⑴针对海上船舶的具体情况,提出了基于Canny边缘检测的粗定位和双阈值分割的精确定位相结合的分割方法。粗定位利用Canny边缘检测和面积法定位感兴趣区域,简化背景,进而采用基于OTSU的双阈值分割方法对感兴趣目标进行精确定位,补充了边缘检测不考虑灰度信息的缺陷。实验表明,该方法有效的去除了大量的海浪干扰,并且有效的分割开灰度差别的遮挡船舶和粘连不严重的船舶。　　 ⑵在特征提取方面,采用了两类特征,一是基于区域的不变矩特征,鉴于不变矩的良好全局形状描述能力,将Hu、Zemike、Tchebichef三个不同类型的代表性矩应用于分割后的船舶图像上,并对它们的不变性和特征表征能力进行分析和对比；二是聚类的SIFT特征,即对船的关键部位船头和船尾进行SIFT‘特征点的聚类,SIFT特征是作为船舶矩特征的补充,其描述的是船舶局部特征；实验表明,两类特征都具有良好的表征能力,并以Tchebichef矩最优。　　 ⑶在检测识别方面,针对前面特征分析结果区分各个特征中的重要特征维和非重要特征维,并赋予不同的淘汰阈值；利用基于DB-Index评价准则的特征选择方法对369维融合特征按淘汰阈值进行有效的筛选,最终输入基于SVM的两层分类器,将目标分为非船、货船和游船。实验表明,特征融合和特征选择总体上提高了系统的准确性、鲁棒性和实时性,并对遮挡情况下的船只也表现出了较好的性能。