近年来,空难和海难事故频频发生,许多遇难后的飞机或船舶残骸沉入了海底,为了打捞这些沉入海底的目标(比如飞机黑匣子等),搜寻这些目标就显得至关重要。对于这些人造的海底目标残骸,目前通常搜寻的做法是使用水下机器人(AUV)搭载声呐和水下低照度相机等设备,在一定范围的海域内进行扫描成像。在搜寻过程中,由于搜寻范围较大,会导致水下低照度相机拍摄到十分巨量的图像,这些图像中往往包含了大量不含人造目标残骸的海底背景图像,而含有人造目标残骸的目标图像的数量却很少。对于这些海底图像,通常需要人工判读来从图像中寻找人造目标残骸,因此大量的海底背景图像大大增加了人工判读的工作量,如何检测出大量海底图像中的人造目标残骸,就是本文研究的核心问题。通过对海底图像复杂背景特点和人造目标残骸特性的分析,本文提出了一种基于边缘检测算法、直线检测算法和支持向量机(Support Vector Machine,SVM)分类检测算法相结合的海底图像人造目标检测方法。根据海底背景图像具有较多的微小边缘信息的特点,本文提出了一种Canny算子结合微小边缘过滤的边缘检测算法。首先对海底图像进行中值滤波处理,消除部分噪声的干扰,然后对图像进行传统的Canny算子边缘检测操作,得到海底图像的边缘图像,最后对得到的边缘图像进行微小边缘过滤处理,进一步减少图像中的噪声干扰。根据人造目标残骸具有明显的直线特征和规则的形状特点,本文提出了一种概率霍夫变换结合梯度方向过滤的算法。首先对边缘检测算法得到的边缘图像进行概率霍夫变换处理,检测图像中是否存在直线边缘,对于检测出的直线进行梯度方向过滤,然后根据检测出的直线数量将检测图像分为含有人造目标残骸的目标图像、含有疑似人造目标残骸的疑似目标图像和不含人造目标残骸的背景图像三类。对于目标图像和疑似目标图像,对它们的边缘图像进行轮廓查找,通过检测到的直线边缘和轮廓信息来确定目标区域和疑似目标区域。在SVM分类检测算法中,首先使用海底背景图像和人造目标残骸图像作为训练集来对SVM进行训练,然后使用训练好的SVM模型对直线检测算法中得到的疑似目标图像进行检测,得到目标图像和背景图像。为了验证本文算法的有效性,随机抽取了部分海底背景图像和人造目标残骸图像来对本文算法进行验证。通过实验数据分析,证明本文算法能够较好地检测出海底图像中的人造目标残骸,从而大大减少了后续人工判读所需的时间。