近几年,伴随港口行业的蓬勃发展,港口吞吐量不断加大,港口码头对装卸干散货的需求也越来越大,而门座式起重机是港口主要干散货装卸工具之一,所以对于门机抓斗的操作控制是提高装卸干散货作业效率和智能化程度的关键。为解决在港口门机抓斗装卸干散货的作业过程中,人眼观察无法精确判断抓斗位置所带来的工作效率低下及安全性的问题,本文提出了基于深度学习的门机抓斗检测算法。主要工作和研究内容如下:（1）设计了一种基于改进卷积神经网络YOLOv3-tiny的门机抓斗检测算法。针对YOLOv3-tiny网络模型检测速度快但准确率低的特点,首先在原有网络基础上引入空间金字塔池化进而提取多方位的门机抓斗特征;其次引入深度可分离卷积并拓展网络宽度形成反转残差组加入到网络结构中,实现加深网络、提高检测性能的同时维持较少的参数量,减少计算消耗;最后通过在网络低层加入两个空洞卷积层和高层进行特征融合,保证在不失分辨率的情况下来扩大融合后特征图的感受野。实验结果表明,改进后的网络模型较原始模型在性能上有显著提升,满足了一般作业场景下门机抓斗检测的实时性与准确性,在一定程度上解决了门机抓斗作业效率低下及安全性问题。（2）针对复杂作业场景下,如煤粉尘浓度较高、光照强烈、有雾天气等因素带来的门机抓斗能见度较低情况,本文提出了基于Efficient Net和特征融合的门机抓斗检测算法。首先将YOLOv3-tiny的骨干网络替换为Efficient Net;然后在检测层前构造局部残差连接以及注意力机制模块;最后取代传统FPN特征融合方式,提出基于M-Attention与PRN的双向特征金字塔结构,从而将底层更多的门机抓斗细节及位置信息与高层的强语义信息进行融合检测,实现整体网络模型的架构设计。经过实验验证,改进后的网络模型有效提升了对门机抓斗的检测能力,在一定程度上解决了复杂场景下门机抓斗误检、漏检的问题,增强了算法的鲁棒性,同时通过对最优算法模型进行封装和调用,提高了门机抓斗作业的智能化水平。