项目面向船舶自主过桥场景，在桥区河段船桥碰撞现状基础上，对接船舶自动航行和船舶安全通航等需求，以内河桥区船舶航行态势智能感知关键技术为研究重点，研发了桥区水域船舶监管可视化平台和桥梁防撞智能预警系统，为桥区河段海事监管和船舶安全通航提供了直接的理论依据和技术支持。项目的主要科技创新包括四个方面： （1）构建了一种基于GA-ACO优化BP神经网络的船舶轨迹智能预测模型，分析不同通航环境船舶航行特征和规律，有效降低神经网络超参数随机性影响，开展了不同水域实船实验，实现了轨迹精准预测，极大提升航行安全性。 针对内河船舶航行态势预测的需求，项目以交汇口和桥区等为研究水域，分析并提取船舶行为特征，并以BP神经网络为基础，设计混合智能算法GA-ACO优化BP的超参数，并以此构建航迹智能预测模型，实现了船舶位置的精准预测，有效降低碰撞风险。 （2）构建了一种基于深度CNN-LSTM的船舶非安全行为识别模型，采用改进Douglas-Peucker算法实现轨迹压缩，并设计了桥区河段船舶行为特征提取和判别算法，开展了不同通航环境下船舶非安全行为识别实验，有效降低船舶碰撞风险。 针对桥区河段船舶行为建模难，非安全行为识别精度低等问题，项目提出了一种基于改进Douglas-Peucker算法的深度CNN-LSTM行为识别模型，深入分析船舶过桥规律和航行特征，定义了不同行为判别算法，主动对接机器学习，建立深度CNN-LSTM行为识别方法，实现了不同航行环境下船舶行为精准识别，为船舶安全航行提供有效的技术手段。 （3）构建了一种基于改进自适应联邦卡尔曼滤波算法的船舶AIS和视频信息融合模型，采用多特征融合的航迹关联算法实现异构信息之间的时空统一，开展了不同工况条件下船舶轨迹和视觉信息融合实验，有效提升船舶航行信息的置信度和多样性。 针对桥区河段航行信息复杂性、异构性及冗余性而影响船舶决策与操纵的问题，提出了一种基于自适应联邦卡尔曼滤波算法的AIS和视觉信息融合模型，实现了桥区水域多源异构信息之间的融合与统一，为船舶自主过桥提供有效的数据支持，促进船岸信息之间实时交互，以保障船舶安全通航。 （4）构建了一种基于改进AOD-Net的内河雾天通航环境视觉增强方法，并以卷积神经网络为基础，设计上下文感知网络，实现低光照环境下船舶图像增亮，开展了内河恶劣环境下视觉增强感知实验，有效保障了船舶在不同通航天气条件下的航行安全。 针对内河恶劣通航条件下水面目标检测精度较差而影响船舶安全航行的问题，以卷积神经网络为基础，采用混合空洞卷积、注意力机制和混合损失函数设计一种改进的AOD-Net去雾模型，对不同雾霾条件下的通航环境均能实现较好的去雾效果。提出了一种基于卷积网络的上下文感知低光照增强网络，并采用知识蒸馏的方式对其进行压缩，缩小网络体积，实现在船载计算机和嵌入式设备中部署网络。