中国指挥与控制学会会刊 
现代海上战场作为现代多维战场的重要组成部分,与陆、空、天、电磁和网络等维度相互交织[1-2],给目标探测与识别带来了独特挑战。海上小目标通常具有尺寸微小、形态多样、运动速度快等特点,且易受海浪、洋流、泡沫和大气折射等复杂背景的干扰,这使得如何在复杂背景条件下检测并识别出各类战术目标就是挑战之一,而提高海上战场复杂背景条件下的目标检测识别技术能力是海上战场制胜的关键[3]。近年来,得益于深度学习和人工智能技术的快速发展,一系列基于卷积神经网络、循环神经网络及自注意力机制的算法被引入海上小目标检测领域,显著提升了检测精度和实时性能[4]。现有方法多聚焦于多尺度特征提取、上下文信息融合及注意力机制优化,以增强模型对海浪噪声和多径效应的鲁棒性[5-6]。然而,受限于海上数据获取难度和标注成本,目前公开数据集规模较小,模型在极端天气(如暴风雨、浓雾)条件下的泛化能力仍待提升。基于此,本文将围绕复杂海战场景的特性,系统梳理目标探测与识别技术的最新进展、核心方法与代表性算法,并展望其未来的发展方向。
1 海上作战环境的特性
在现代多域作战体系中,海上战场作为重要的一维,展现出显著不同于陆地和空中战场的环境特征。其广袤、动态和不规则的背景环境,加上海面目标自身在物理、运动和战术特性上的显著差异,使得海上复杂背景下小目标的检测与识别面临极大挑战。图1展示了不同场景下海上小目标的图像。相比传统的规则化战场,海上目标往往隐蔽性强、变化性高、感知信噪比低。因此,在构建基于人工智能的海上小目标检测方法时,必须深入理解并系统刻画海上战场的三类关键环境特性:复杂性、多样性和不确定性。这三方面既是构建高鲁棒性目标检测系统的前提条件,也直接影响算法在实际部署中的适应能力与战术效果。
海上战场的特性呈现多维度的复杂态势,集中体现为复杂性、多样性与不确定性三大核心特征,这些特征相互交织,共同构成了对目标检测系统的严峻挑战。从复杂性来看,海上环境的高度动态性与多尺度干扰是首要难题。海面波浪涵盖从厘米级毛状波到米级涌浪的多尺度范围,受风速、潮汐、洋流等实时影响呈现非线性变化,导致目标轮廓易被波峰遮挡,边缘信息被水面白沫和反光覆盖,严重干扰传统的基于边缘、纹理或灰度直方图的图像处理方法。同时,海面的镜面反射特性会造成可见光图像中的光斑、阴影伪影,以及雷达探测中的电磁多路径传播效应,既可能产生目标虚像,又可能导致实际目标位置偏移,这要求检测系统具备时空校正能力。此外,海洋环境的昼夜与气象变化显著,晴朗与暴雨、日照与夜晚下的图像亮度、红外辐射强度和雷达反射特性差异悬殊,小目标在恶劣条件下信号微弱,传统阈值算法难以可靠识别;舰船、漂浮物与波浪叠加形成的复杂背景杂波,进一步扰乱感知系统对目标与背景的判别,因此算法必须具备动态背景建模、强杂波抑制、多尺度融合与跨模态解析等综合能力。多样性则体现在目标与环境的多重差异上。目标层面,海上小目标涵盖快艇、无人艇、浮标、漂雷等,尺寸从几十厘米到数米不等,外形、材质、红外与电磁特征各异;部分目标采用吸波涂层或低可探测设计,雷达回波微弱,且不同视角下投影面积差异显著,导致模型缺乏充足样本时难以泛化。目标运动状态复杂,可自由航向机动(匀速、加速、转向、低速漂移),轨迹非平稳性强,对时序建模或卡尔曼滤波类轨迹预测模型构 成挑战。环境层面,海况(平静、涌浪、风暴)与天气(雾、雨、雪、阳光直射)直接影响各波段信号强度与信噪比——浓雾衰减可见光对比度,大风浪中海浪泡沫与目标形态相似易致误检;人为干扰如舰艇航迹泡沫、烟幕、火药尘埃,在红外波段与真实目标热特征接近,极易混淆。这种多样性要求检测模型具备强泛化能力与上下文感知能力,能从多源、多尺度、多模态数据中提取稳定区分性特征。不确定性则源于战术层面的动态扰动。目标自身行为具有不确定性,可通过突发机动、潜伏、借助地形掩护改变外观,甚至抛投假目标、释放烟幕、开启电磁干扰以掩盖真实特征,导致检测失效。自然环境的不确定性突出,如天气变化频繁且突发,日照角度改变使目标阴影与亮度分布波动,影响预处理稳定性;战场烟幕、尘烟等气溶胶对多传感器信号的散射与吸收,大幅降低目标可见性,这些非高斯、非线性扰动难以通过静态规则建模。此外,多传感器信息存在异质性与同步性问题,可见光、红外、雷达等设备的分辨率、采样频率、延迟不同,需处理时间对齐、尺度匹配与跨模态显著性对齐,否则会因数据不一致误导目标定位与分类。
综上,复杂性、多样性与不确定性共同构成海上战场小目标检测的核心挑战,要求构建具备复杂背景鲁棒性、多样环境适应性、不确定场景泛化能力的智能算法系统。深度学习技术中的多尺度建模、注意力机制、跨模态融合等方法,为应对这些挑战提供了路径,而对战场环境本质特性的深刻理解,正是算法设计与测试的基础。
2 国内外目标识别技术的发展历程
进入21世纪后,目标识别技术逐渐向多模态融合和更高层次的语义理解迈进,尤其在2006年Hinton等人提出深度学习的概念后,人工智能技术迅速成为推动目标识别发展的核心动力[9]。2012年在ImageNet图像识别竞赛中,基于卷积神经网络的AlexNet显著超越传统算法,引发了深度学习在目标检测、识别领域的研究热潮,越来越多的研究者基于深度学习开展了研究[10](如图3所示)。海上目标识别也开始从依赖手工特征向端到端学习框架转变,研究者利用大规模遥感图像、雷达图像和可见光/红外图像训练深度模型,实现特征自动提取与分类判别。在此阶段,YOLO、Faster R-CNN、SSD等(如图4所示)通用目标检测模型被广泛引入海上小目标检测中,其通过结合多尺度感知机制与残差网络结构,显著提升了在复杂海面背景下的检测精度[11-12]。
随着对战场环境多样性和目标隐蔽性的深入理解,近年来的目标识别研究更加强调对复杂场景的感知建模能力。由于海上小目标常常存在尺度小、伪装性强、对比度低等特点,研究者在深度网络基础上引入注意力机制、自注意力Transformer结构与图神经网络等先进模型,以更有效地捕捉局部与全局信息之间的依赖关系[13]。例如,Swin Transformer和DETR等模型通过长距离依赖建模和端到端优化流程,已被尝试应用于舰艇、水面无人平台等微小目标识别任务中,在一定程度上缓解了小目标易被背景淹没的问题。此外,语义分割与目标检测的融合也成为一个研究热点,研究者通过引入语义辅助监督机制,使得模型不仅关注目标本体的边缘与纹理,还能充分理解目标与背景的关系,从而提升识别的准确性与鲁棒性[14]。
在国际上,美国、英国、以色列等国家在军事目标识别领域布局较早,依托国家级AI战略与军事情报工程支持,形成了较为完整的理论体系与工程应用(如图5所示)。例如,美国DARPA长期资助的MSTAR计划提供了高质量雷达图像数据集,推动了SAR图像目标识别模型的发展,还为后续DARPA项目提供了技术与数据基础[15]。同时,美国海军研究实验室开发了一系列用于海面监视与舰船识别的AI平台,SeaHunter标志着美军海上监视从“平台中心战”向“网络中心战”的跨越,其AI平台通过多模态感知、自主决策与跨域协同,重新定义了现代海战的规则[16]。该系统已成为美国关键的战略技术支点,其技术路径与实战经验将深刻影响全球海军智能化转型的方向,有望进一步演变为“自主作战系统”,实现从“发现-识别-跟踪”到“决策-打击”的全流程闭环。在2021年举行的圣迭戈海岸“无人综合作战问题-21”演习中,美国海军将MQ-9B“海洋卫士”无人机与“普林斯顿”号导弹巡洋舰进行搭配,由这架无人机为巡洋舰搜寻目标[17]。通过声呐浮标和其他设备,海洋卫士无人机确认了目标[18],并向巡洋舰上的指挥官通报了目标方位,同时开火摧毁了目标。2022年10月29日,乌克兰组织多架无人机和多艘无人艇,对俄海军在塞瓦斯托波尔港口内的舰艇实施了蜂群式的攻击。这些技术创新极大地扩展了空中力量的可获取性和可负担性,使国家和非国家行为者都能部署大量可攻击系统[19]。因此,现代海洋战争中,无人机威胁剧增,反制能力是掌握主动权、扭转战局的关键防线。
在国内,近年来目标识别技术也取得显著进展,尤其是在深度学习和遥感图像处理方面表现活跃(如图6所示)。国内相关单位积极推动基于AI的图像感知系统研发,并广泛布局于近海监控、无人舰艇、自主巡航平台等场景[20-22]。在学术界,众多高校与研究机构围绕遥感图像识别、海面小目标检测与跨模态感知等方向开展研究,提出了融合多源感知数据、构建轻量级模型与利用迁移学习来提高小样本学习能力等方法。此外,国内在数据标注与模型训练平台建设方面也取得进展,如建设用于SAR/光学图像小目标识别的大型数据库,开源的目标检测工具包(如PaddleDetection、MMDetection)被广泛用于算法研发和评估[23]。
综上所述,目标识别技术的发展历程体现了从规则驱动到数据驱动、从单模态感知到多模态融合、从静态识别到动态适应的转变。随着人工智能技术的不断深入发展,目标识别能力将进一步增强,并在海上战场中发挥更加关键的作用,特别是在海面小目标监测、威胁预警、自主作战系统感知模块中展现出巨大的应用前景。
3 海战场景下目标检测识别的关键技术
在现代海战场环境中,由于小目标尺寸小、信噪比较低、特征信息弱,加之复杂背景干扰强,使得其检测与识别任务面临显著挑战,复杂海况下海上小目标检测识别技术日益成为海洋军事智能领域的研究热点。海面环境的动态性、多样性和不确定性,如强海杂波、恶劣气象条件、隐蔽机动目标、多源传感器异构信息融合等(如图7所示),不仅导致目标与背景之间的对比度显著降低,还使得传统检测识别方法在精度、实时性及适应性方面显得力不从心。尤其是在敌我态势不明、战场扰动频繁的海上环境中,小目标的有效感知成为提升海战智能化水平的关键技术环节。如何实现高精度、高实时性的小目标检测,成为亟须攻克的关键问题。人工智能的快速发展为该任务提供了新的思路和工具,推动了一系列关键技术的形成与演进。
3.1 小目标检测与识别
小目标检测识别技术是提升复杂海况下小目标识别精度的关键突破口。小目标具有尺寸小、信号弱、对比度低等特点,在遥感图像、红外图像或雷达图像中往往仅表现为几像素的斑点。而小目标检测识别技术恰恰是为了处理尺寸小、信号微弱、轮廓模糊、难以与背景区分的海上目标而提出的。传统方法往往借助运动检测、时间序列分析、图像序列累加等手段增强信号能量,其中图像序列累加技术的核心是通过多帧图像中同一位置像素的灰度值累加,使目标信号能量线性叠加,背景噪声因随机性相互抵消,从而将目标信噪比提升数倍,但在高动态干扰场景(如浪涌导致目标位置帧间偏移)下,累加效果会显著衰减,并导致较高误检率。
近年来,稀疏表示、小样本学习和增量学习等新兴技术开始应用于小目标检测。其中,稀疏建模技术的核心原理是基于目标与背景在稀疏字典中的差异性,构建由纯背景样本(如无目标海杂波、海浪图像)训练的过完备字典,将含目标图像分解为字典的线性组合,当残差(即图像与背景重构值的差值)超过预设阈值时,判定存在目标,该方法能在强干扰环境中精准提取目标信息,使背景抑制率提升。而基于生成对抗网络的图像增强方法可对弱小目标进行图像增强与去噪,从而提升后续检测模块的识别能力。尤其是时艳玲等[24]通过从海杂波和目标回波中提取特征,将检测问题转化为特征空间中的分类问题,并结合基于Wasserstein的生成对抗网络实现了检测性能的提升,有效地解决数据不平衡问题,证明了多特征的引入以及平衡数据集对于提高检测器的性能和适应性具有重要意义。童小钟等[25]基于融合注意力和多尺度特征构建了一种用于解决多场景复杂海况背景水面的小目标检测方法,克服了可利用特征少、纹理信息弱等问题,实现了平均检测精度提升11.41%,达到82.36%。上述这些方法通过增强浅层信息利用和特征融合能力,有效提升了检测器对小目标的敏感性。
为了解决训练样本不足的问题,小样本学习方法开始受到关注。原型网络、匹配网络等结构的核心逻辑是度量学习-原型网络通过少量标注样本的特征均值构建各类别的原型特征,待检测样本通过计算与各原型特征的欧氏距离实现分类;匹配网络则通过注意力机制将待检测样本与训练样本进行相似度匹配,直接输出类别概率,适用于战场新型目标的快速识别。Chen等[26]通过设计了原型和关键区域的生成策略,并结合原型引导对齐模块和文本特征处理分支有效整合图文多模态特征,扩大类间特征距离,来增强类内特征的一致性,以精确描述船舶尺寸信息。研究结果表明,该方法比当前最先进的算法至少要高出11%。Gao等[27]利用LATA模块、BDC度量模块和双原型模块,提高目标特征的自适应捕捉能力,实现相似目标关联度的提升,从而有效减少类内外观差异较大、类间外观差异较小带来的影响。此外,结合迁移学习的方法也可将已有训练好的模型在不同场景中进行微调,有效提高弱小目标识别的泛化能力。Gao等[28]构建了密集连接模块和轻量级卷积块注意力模块,克服了网络中生成器特征冗余、网络模型参数庞大以及训练时间过长的问题,同时可以在尽量增加网络参数的情况下解决无法定位舰船主要特征的问题。与其他模型相比,该研究的识别率提升了6%。值得注意的是,在海上目标检测技术的实际应用中,小目标通常伴随着快速移动、遮挡、低对比度等问题,因此检测系统还需与跟踪算法结合,以提升整体目标识别稳定性与连续性[6,29],如采用卡尔曼滤波或粒子滤波实现帧间目标关联,通过预测目标下一帧的位置范围,缩小检测区域,减少误检,同时通过轨迹平滑处理(剔除异常帧的检测结果),提升整体目标识别稳定性与连续性。
3.2 恶劣天气目标检测与识别
恶劣天气(如暴雨、浓雾、强浪、低光照等)是海战场景中小目标检测与识别的核心挑战,其导致目标信号衰减、背景杂波增强、多模态数据失配等问题,严重制约感知系统效能:暴雨中,密集雨滴会散射可见光与红外信号,削弱目标的反射特征,同时雨线在图像中形成密集线条,与无人机、快艇等小目标的形态相近,容易干扰检测算法对目标的判断;浓雾通过水滴的强散射作用,大幅降低图像对比度,小目标的边缘、纹理等关键特征被模糊,甚至与灰白背景融为一体,使得依赖特征差异的传统检测方法难以奏效;强浪的多尺度起伏会周期性遮挡目标,浪沫与目标的外观、运动特征差异缩小,动态杂波持续干扰帧间目标的匹配,给轨迹跟踪带来困难;低光照条件下,可见光传感器捕捉的目标信号变弱,目标与背景的亮度差异减小,而红外传感器虽能感知热特征,却易受海浪破碎产生的伪热源干扰,这些伪热源与小型舰艇的热特征相似,容易造成混淆;多模态数据的失配问题在此过程中进一步加剧,不同传感器在恶劣天气下的性能差异被放大,雷达信号可能因干扰出现偏差,红外视场受限,可见光细节丢失,它们的时空分辨率、特征维度难以对齐,融合时易出现信息冲突,最终导致感知系统对目标的识别与跟踪能力下降,影响战场态势的准确判断与战术决策的高效执行。
近年来,深度学习技术被广泛引入海上目标检测任务中,特别是卷积神经网络(CNN)在图像特征提取方面显示出强大的能力,如基于Faster R-CNN、YOLOv5等模型应用在目标区域定位和多尺度特征识别上取得显著成效[11]。一方面研究者在设计检测网络结构时加强了感受野与上下文建模能力。例如,Zhao等[30]基于Yolov7集成了简单、无参数的注意力模块来强化信息的提取与感知,并通过增加预测模块增强模型的建模能力,实现了预测精度7%的提升。曲晨阳等[31]使用可变形卷积替换标准卷积增强网络对不规则形状目标的特征提取能力,并使用可分离大核注意力机制改进快速空间金字塔池化模块,改善因目标尺度差异较大导致检测精度较低的问题。结果表明这种方法与基准模型相比,实现了计算量下降12.63%的同时精度提升了3%。可变形卷积通过在标准卷积核基础上增加偏移量参数,根据目标的不规则形态(如强浪遮挡下的残缺轮廓、暴雨中模糊的边缘)动态调整采样位置,相比标准卷积能捕捉更多的目标边缘特征。李纯杰等[32]通过融合Yolov9中的ADown模块设计了一种特征聚焦扩散金字塔网络。该网络实现了在雨雪雾天气下97.5%的平均检测精度。陈正浩等[33]通过在SFA-FCOS网络中增加多尺度融合模块,实现了雷达点云信息和图像特征的有效融合,在恶劣天气环境下达到了90.5%的检测精度。李朋原等[34]通过引入注意力机制和Transformer提出了基于深度学习的无人机检测与反制方法。该方法在无人机检测任务中实现了93.8%的检测精度。另一方面,研究也关注场景适应能力的提升,利用自监督学习、跨域迁移学习等策略,使模型在不同任务场景和海域背景下保持稳定性能。Shen等[35]通过提取伪装目标的偏振特异性,并结合自监督学习策略来增强微光图像,进而实现低照明度条件下的目标检测(检测率高于80%)。这主要是因为目标表面的偏振反射具有固定方向性,而雾粒的散射偏振呈随机分布,通过偏振成像能够获取偏振度、偏振角特征。此外,自监督学习通过对比学习策略,将同一目标在不同偏振状态下的特征视为正样本对,与背景特征视为负样本对,缩小正样本距离、扩大负样本距离,增强目标特征的判别性。陈蕊等[36]通过仿真的无人机检测数据对Yolov5模型进行训练并引入真实图像与仿真图像的差异分布,实现模型知识的迁移。其通过仿真数据进行模型的预训练,能够使其学习无人机的通用特征(如轮廓、结构),同时引入差异分布(通过最大均值差异度量仿真与真实数据的特征分布差距),将它作为损失项加入训练,使模型更能适配真实场景的干扰(如低光、雾),避免仿真数据与真实数据的域偏移。该方法实现了7.1%的性能提升,推动了低空反无人机能力的提升。左震等[37]在原有特征金字塔和路径聚合网络的基础上通过引入多尺度坐标注意力和多网络自监督学习,增强了特征提取能力,提高了海面场景下舰船目标的检测精度。刘显刚等[38]针对恶劣天气环境下船体识别不准确的问题,提出了一种交叉视图多目标下的船体识别与跟踪技术,可适用于在不同桥体,不同复杂场景下船体的稳定识别和跟踪。
3.3 舰船类型识别
舰船类型识别是复杂海战场景态势感知体系的关键支撑,其通过解析目标的形态结构(通过滑动窗口遍历舰船图像,对每个窗口采用CNN提取局部特征,再通过特征金字塔将局部特征与全局特征融合,并基于该比例特征初步区分舰船类型)、运动特性(可通过帧间差分法计算目标位移,结合卡尔曼滤波预测目标速度,再通过转向半径进一步细化类型)与电磁信号(通过雷达RCS值与红外热辐射强度构建多维度特征向量)等多维度特征,实现对驱逐舰、护卫舰、快艇、无人作战艇等不同类型舰船的精准判别,为战术行动中的目标威胁等级评估、火力资源调配与拦截策略制定提供核心依据。然而,海战环境的动态复杂性与舰船目标的固有多样性,使其面临多重技术瓶颈。恶劣天气(如暴雨、浓雾)会导致舰船光学特征(如甲板布局、舰桥结构)模糊化,浪涌引发的横摇、纵摇等姿态变化进一步扭曲关键形态特征,例如护卫舰的舷侧武器系统可能在剧烈摇摆中被舰体遮挡,导致与驱逐舰的区分特征丢失。此外,环境与人为干扰的叠加效应显著增加识别难度:海域背景中的岛屿阴影、商船群会形成类间干扰,例如近海作战中护卫舰与大型货船的红外热特征可能因动力系统散热特性相似而混淆;雷达吸波涂层、红外抑制装置等伪装措施则改变舰船的电磁与热特征,使导弹护卫舰的雷达反射截面积接近小型快艇,导致单一模态识别模型频繁误判。
近年来,深度学习技术的发展推动舰船类型识别从传统手工特征方法转向数据驱动的智能模型,在特征提取精细化、类别区分增强与场景鲁棒性提升等方面取得突破性进展。在特征提取层面,研究者通过改进网络结构强化对关键局部特征的捕捉能力。莫倩倩等[39]采用视角辅助的自适应查询扩展方法和基于相似度的特征融合方法降低负样本对特征的影响。同时,利用权重共享技术提取无雾特征,并通过上采样技术和金字塔模型重建去雾图像,以增强网络在低能见度场景下的识别能力。丁梦磊[40]在提取舰船显著性区域特征并完成舰船粗识别后利用CNN对舰船目标进行精识别。这种方法通过减少背景信息的干扰,实现了高于95%的检测精度。粗识别阶段通过计算像素与周围区域的灰度差异生成显著性图,分割出舰船候选区域,剔除无关的背景像素(如海浪、天空),而在精识别阶段采用特征提取器(如CNN)提取局部细粒度特征(如武器系统的形状、舰桥的窗户布局),减少背景干扰。这两阶段的方法在一定程度上降低了目标任务的难度,提升了舰船识别精度。周慧等[41]结合可变形卷积模块和特征金字塔,提出了一种用于合成孔径雷达图像的舰船识别模型。该模型在多个公开数据集中实现了78.1%的平均检测精度,高于现有研究。此外,为强化类别区分能力,研究者通过优化特征度量方式与引入对比学习策略,缩小类内差异并扩大类间距离。对比学习的核心逻辑是通过“对比样本相似性”让模型学习有效特征,先为目标样本构建“正样本”(与目标同类/同模态但形式有差异,如同一舰船的红外与可见光图像)和“负样本”(与目标不同类/不同模态,如舰船与海浪杂波图像),再通过算法让模型拉近目标与正样本的特征距离、拉远与负样本的特征距离,最终学习到能区分不同对象的鲁棒特征。姜杰等[42]结合半监督学习设计了一种深度半监督生成对抗网络,并引入代价敏感学习方法,对损失函数进行设计,以缓解优势样本所导致的梯度传播失衡。这种设计有效提升了对不均衡红外舰船样本的识别性能。邵子康等[43]针对合成孔径雷达舰船检测锚框尺度固定,多尺度检测性能差的问题,提出了一种基于锚框自适应和多尺度增强网络的舰船检测方法。该方法在公开合成孔径雷达舰船检测数据集上的平均精度达到了93.0%。白玉等[44]将传统的目标提取与深度学习中分类的思想相结合,提出了一种用于红外舰船的目标检测算法。改进后的算法将舰船检测的精度提高到83.7%。在场景鲁棒性提升方面,领域自适应与多模态融合技术成为应对环境干扰与跨域差异的核心手段。关欣等[45]通过构建端到端的低秩双线性注意力捕获不同模态图像的信息,实现了模态信息的交互与互补。这种方式实现了92.6%的舰船检测精度。周昇辉等[46]结合多通道卷积神经网络和极端梯度提升决策树的复合探测方法,实现了对水面无人艇的识别。该算法检测准确率达到了97.3%,能够有效进行复合探测信号特征的提取,并且能够降低误识别率与漏识别率。沈家梦等[47]针对海域环境中舰船单一数据源识别准确率问题,提出一种有效的多模态数据特征提取和特征融合的舰船识别算法。该方法相比于其他算法,平均准确率提升约18%,有效地提升了舰船识别准确率。
3.4 多传感器多模态融合检测与识别
传统单模态传感器如光学图像或雷达,难以胜任高海况、强干扰或昼夜变化场景下的小目标探测任务。多模态复合探测技术则提供了一种有效的补充路径。其核心在于联合利用多种物理机制和成像方式(如激光、声呐、图像、毫米波雷达)对同一目标或区域进行协同感知,从而实现优势互补,提高探测鲁棒性。光学与红外成像具有较高的空间分辨率,适用于白天和天气良好的条件下获取目标轮廓与纹理细节;但受限于能见度和遮挡,其可靠性在低光、海雾等条件下会下降。而雷达系统不受光照限制,具备全天候、全天时工作的能力,并能捕捉到目标的速度与形状特征,但存在分辨率低、噪声高的问题。激光雷达则具备较强的空间三维重建能力,适合精细几何特征建模,然而其对海面反射与湿度敏感。声呐(如侧扫声呐、合成孔径声呐)则更适合于水下目标的探测,在浅水复杂地形中优势显著。将多模态复合探测应用于实践中,学者通常采用传感器集成平台或多载体协同方式,将上述传感器进行空间同步与数据标定。Farahnakian等[48]结合红外和可见光图像实现了细粒度的特征提取,并实现了79.1%的检测精度。Lee等[49]整合高分辨率光学和合成孔径雷达图像,利用生成数据训练用于船舶识别的人工智能模型,并整合至量子地理信息系统平台以促进船舶检测和分类,并允许结果可视化。Tienin等[50]旨在利用合成孔径雷达全天候成像能力和船舶光学卫星图像更高的形状判别能力等互补性优势,提出了一种被称为MS3Net的集成深度学习模型。98.9%的检测精度证明了跨不同传感模态的稳健船舶识别方法的有效性。
在多模态传感器共同参与海上小目标探测任务的背景下,数据融合是决定系统整体性能的核心环节。结合技术原理与工程应用,当前主流技术路线可划分为数据层融合、特征层融合与决策层融合三类。其中,数据层融合是 “最底层” 的融合方式,核心是直接对各传感器输出的原始数据(如光学图像像素、雷达回波信号、声呐波形数据)进行处理,需先通过时间戳同步、空间坐标配准等时空校准技术消除传感器间的采样时差与视角偏差,再通过数据拼接、信号叠加等方法整合数据,这种路线更适合同构传感器(如双光学相机、同频段雷达),类似刘一博等[51]利用改进的暗通道去雾方法和引导滤波进行双目相机图像预处理,成功实施了目标持续追踪和中心点轨迹的精确标注。同时,该方法还能够实现平均相对误差为6.46%的测距功能。但这种融合方式对数据预处理要求极高,需严格保证传感器输出的时空分辨率一致,且抗干扰能力较弱,任一传感器原始数据异常(如噪声)都会直接影响融合结果,仅适合简单、可控的近程协同探测场景,不过其优势在于无特征损失,融合过程直观且计算开销小。特征层融合是当前复杂海战场景中的主流技术路线,逻辑上先对各模态原始数据独立提取抽象特征(如光学图像的边缘/纹理特征、雷达数据的多普勒频移特征),再通过算法实现跨模态特征的对齐与整合,关键技术依赖深度学习模型,比如用双路或多路CNN分别处理不同模态数据并在网络中拼接特征,用Transformer跨模态注意力机制根据场景动态分配特征权重(如低光环境下优先利用红外特征),或是将异构模态特征映射至统一空间以消除语义差异。Yin等[52]基于多模态遥感图像结合海域分割与船舶特征实现了视频中的船舶检测与跟踪。89%的检测精度证明了所提船舶检测框架的优势,达到了船舶检测和跟踪的目的。决策层融合则是“最高层”的融合方式,核心是让各传感器先独立完成目标检测与识别(输出“目标概率”“目标类型”等初步决策),再通过预设规则或算法进行联合推理,常见策略包括根据传感器场景可靠性分配权重的加权投票法、计算联合概率的贝叶斯推断,或是用随机森林等集成学习模型学习最优决策组合。熊光明等[53]结合毫米波雷达和红外相机,通过决策级融合方式建立简洁有效的融合规则,提炼和组合各传感器的优势信息,最终稳定输出检测结果。这类路线的传感器兼容性最强,同构或异构传感器均可适配,数据预处理要求最低,仅需各模态输出决策结果,且鲁棒性和容错性最优,单一传感器决策错误时可通过其他传感器修正(如光学误判“浮标”时,雷达可修正为 “小型舰船”),适合航母编队对来袭目标确认等关键任务场景,但劣势是存在 “决策损失”(丢失原始数据细节),融合精度受限于单模态决策能力,整体精度低于特征层融合。
从技术路线选择来看,在复杂海战场景中需结合任务需求、传感器配置与硬件条件综合判断:若需近程高精度探测且配备同构传感器(如双光学相机),优先选择数据层融合以平衡成本与延迟;若需应对远海高海况、多干扰场景且配备异构传感器,优先选择特征层融合以保障精度,同时搭配舰载高性能计算单元;若需关键任务的高可靠性且配备多传感器冗余系统,优先选择决策层融合,也可结合特征层融合来提升单模态决策精度,构建 “特征层 + 决策层” 的双层融合架构。尽管现有方法在准确率与适应性方面取得长足进展,但仍存在融合策略缺乏通用性、模态间时间同步困难、数据缺失敏感等问题。一方面,不同模态间的采样频率、视角范围与干扰特性差异大,直接融合易导致语义冲突;另一方面,当前主流融合网络在计算资源和带宽上开销大,不利于无人艇、浮标等前沿边缘平台部署。为应对上述挑战,未来研究可聚焦于三方面:一是引入自监督或弱监督跨模态特征对齐机制,降低人工标注需求并提升模态鲁棒性;二是设计模型剪枝、量化等轻量化融合网络结构,适配边缘节点低功耗运行;三是结合识别、跟踪、分割等多任务学习,通过共享表示空间增强模型泛化能力,满足海战场景“一次探测、多任务输出”的需求。
4 海上复杂背景下小目标检测识别技术的发展趋势
随着人工智能技术的迅猛发展以及海战场智能化作战需求的持续提升,海上小目标检测识别技术正逐步从传统单一传感器依赖、特征工程驱动的体系向智能化、集成化和协同化的方向演进。尤其在复杂海洋背景条件下,目标检测不仅要面对目标弱小、背景干扰强、探测距离远等挑战,还要在海洋动态环境中实现实时、高效、准确的目标发现与识别。未来技术发展呈现出以下几个明显趋势。
4.1 向智能化目标自动检测识别技术发展
智能化目标检测识别技术的发展是当前研究的重点方向之一。基于深度神经网络的端到端检测识别模型,能够通过大量图像数据进行训练,自主学习关键目标特征,显著提升在复杂背景下的检测精度和鲁棒性。面向海洋遥感、舰载监控、无人系统等场景,研究者广泛采用先进检测框架,融合多尺度特征提取机制与注意力模块,显著提升了小目标识别的鲁棒性与精度。同时,结合环境感知和先验建模,可实现动态阈值调整、类别不平衡抑制、长尾分布优化等,使模型适应多云、多雨、强海杂波等复杂海况。此外,自监督学习和领域自适应策略正被引入以减少对大量标注样本的依赖。以CLIP为代表的多模态预训练模型在遥感小样本目标检测中展现出强大的迁移能力,可实现“文本+图像”联合驱动的小样本检测识别,降低了构建海战环境目标库的成本。未来,智能化目标检测识别将向自进化、自适应、自监督方向演进,实现“无监督初始识别+少量人工交互+在线微调”的闭环学习机制,也将更多集中于多任务学习(检测+识别+跟踪一体化)、小样本/零样本目标检测、跨模态语义理解等方面。
4.2 向海上战场检测识别跟踪一体化技术演进
在现代海上作战场景中,战场态势的快速感知与响应能力对作战效能具有决定性意义。传统目标检测与目标跟踪大多分开部署,不仅资源开销大,而且缺乏时空一致性,难以应对高速运动、遮挡干扰、异构感知融合等挑战。在海上战场环境中,目标运动状态复杂,雷达、可见光、红外等多源传感数据常存在同步失配,识别链路存在延迟与断点。因此,检测-识别-跟踪一体化架构成为技术突破关键。
当前主流思路包括基于单模型的端到端检测跟踪,其通过将检测任务与数据关联模块统一建模,实现信息共享与特征重用[54];另一类方法则采用多任务联合训练,在检测主干中融合状态估计、运动预测、ID关联等模块,提高对遮挡重现与短时消失目标的持续跟踪能力。同时,其借助Transformer编码器/解码器结构加强时序建模能力,使系统具有更强的记忆与联想功能,适用于敌我态势突变场景下的目标管理与跟踪。未来,该技术将进一步向轻量化、嵌入式方向发展,实现舰载或无人系统上的低功耗、高效率部署,并通过与卫星定位等外部数据源结合,提高信息补全与目标保持能力。同时,目标的检测、识别与跟踪技术亟须一体化融合,以实现从初始发现到连续监控的全流程智能感知能力,这种一体化架构将成为未来海战场信息感知系统的技术基础。
4.3 协同作战需求下的异构感知融合
随着智能舰艇、无人机、无人潜航器等多平台装备的联合部署,异构传感器系统之间的协同探测能力成为未来技术发展的关键。现代海战强调体系作战,单平台目标检测能力受视角、距离、遮挡等限制,难以独立完成精确识别任务。异构感知融合不仅要求在感知频段(雷达、声呐、红外、激光、图像)上的信息补强,更关键在于实现时空同步与语义一致[55-56]。当前,异构感知融合主要采用三种策略:特征层融合、决策层融合、表示层融合。在战场实际部署中,还需解决带宽受限下的异构数据压缩、跨平台时间同步、边缘计算协调等工程瓶颈。下一阶段,海上异构感知系统将逐步向“多源融合-协同定位-跨平台共享”的分布式感知网络演进,构建弹性可控、任务自调度、自组织优化的智慧感知体系。
4.4 多智能体系统的控制复杂性与感知协同
在未来的海上战场中,多个异构智能平台协同参与作战已成为基本作战模式。这种多智能体系统在控制与感知层面都提出了新的要求。随着无人舰船(USV)、无人机(UAV)与水下机器人(UUV)广泛应用于海上目标搜寻与跟踪,面向复杂背景下的小目标检测识别任务亟须提升多智能体系统的协同感知与自组织能力(如图8所示)。一方面,系统需要具备自组织、自协同、自适应能力,以应对高动态、高干扰、高不确定性的战场环境;另一方面,信息共享、感知协同和目标分配问题变得更加复杂,尤其是当部分节点信息不完整或存在通信中断时,系统仍需保持整体的鲁棒性。
近年来,基于强化学习与博弈论的分布式控制策略被广泛应用于多智能体协作系统中。联合策略梯度或图神经网络结构可显著提升多智能体之间的协同效率,降低通信负载。在感知层面,异构传感器数据在各智能体之间的共享机制成为关键。通过建立分布式贝叶斯估计网络或基于图注意力机制的多智能体感知图谱,可提升全局目标识别精度与稳定性。未来,具备动态控制、自主感知、自主协同能力的多智能体集群将成为海战海空域深度感知的主力,在突发冲突、敌我态势剧变中,实现“发现-识别-跟踪-打击”的实时闭环链路。
战争场景中目标检测与识别技术的发展趋势在俄乌、加沙等实战中得到验证。俄乌冲突中,俄罗斯军队使用“海鹰-10”无人机执行战场侦察任务,而乌克兰则依托“海上宝贝”“Magura V5”等小型自杀式无人艇,利用其低雷达反射截面、贴近海面航行的特性,在黑海复杂浪涌与电磁干扰环境下多次突破俄海军防御,成功袭击塞瓦斯托波尔港等目标,暴露出传统舰载雷达对低速小目标(尤其是在夜间、强电磁干扰场景下)的探测盲区;加沙战争中,以色列加速部署GREEN LOTUS多模态感知系统(整合可见光、红外、雷达数据)。该系统通过跨模态特征融合提升对低可探测目标的区分能力,这也印证了异构感知融合与检测-识别-跟踪一体化的实战价值。
5 结束语
随着海上战场态势的日益复杂化,海战场景中目标检测识别面临多源干扰、弱小信号、目标机动性强等多重挑战。本文从海上战场环境的复杂性、技术发展历程、关键检测识别技术及未来发展趋势四个方面进行了系统综述,重点阐述了海战场景下的小目标检测与识别、恶劣天气下目标检测与识别、舰船类型识别和多传感器多模态融合检测与识别的关键技术路径,并分析了智能化检测识别、一体化作战感知、多智能体协同控制等发展趋势。未来,随着人工智能、边缘计算及异构感知网络的快速演进,海战场景中目标检测识别将向着智能化、集成化、协同化方向迈进,为提升海上作战效能提供坚实技术支撑。