目标检测及跟踪是计算机视觉领域的核心研究点,其在自动驾驶及安防等方面都扮演着重要的角色,然而在航道中对船舶跟踪方面的研究较少。在实际场景中,船舶目标的形变、遮挡以及水环境中的复杂水纹噪声都会对船舶目标检测及跟踪的准确性带来一定的干扰。根据《江苏省内河交通管理条例》,在通航水域上船舶应当在核定的航线或者划定的水域范围行驶,航线交叉、逆向航行等情况会导致严重的航行事故。现有的船舶航线监管系统有AIS、VITS等,但此类监管系统需要在所有船舶上安装定位终端,所以存在安装率不高、人为关闭等问题。特别是在重要的水运枢纽区域内,无法满足航道的安全监管需求。因此,本课题针对混合航道内船舶航行监管的问题,提出一种基于深度学习的船舶检测及跟踪预警系统,实现对重要区域内所有船舶的目标识别、航线跟踪、航速计算、偏航预警等功能。本论文主要的研究内容有:（1）在由近及远的航道内,基于深度学习的目标检测算法只能检测近处的船舶大目标,对较远处船舶小目标识别准确率低,因此仅仅靠单一的目标检测无法完全对广域范围内所有船舶目标进行识别。本文针对这一问题提出了将目标检测与运动检测相结合的船舶目标检测方法,进一步提高了广域船舶检测的召回率。（2）传统运动检测方法在面对复杂环境中的水面漂浮物、波浪、水面反射等复杂噪声时,会出现运动物体目标提取不准确以及提取大量非船舶运动目标的现象,增加了后续对船舶预警的工作难度。本文提出了分级降噪的方法,降低了航道监控区域内波浪及浮萍噪声干扰。（3）传统的目标跟踪算法在针对船舶的跟踪问题上存在船舶目标遮挡、相似目标混淆跟踪等问题,本文基于卡尔曼滤波原理提出改进型目标跟踪算法解决了目标遮挡、目标混淆等问题,提高了对船舶目标的跟踪稳定性。