海事监视是保障全球贸易安全、环境保护及国家安全的核心环节。随着航运交通流量的指数级增长以及“暗”船活动的持续威胁，能够整合合成孔径雷达(SAR)、自动识别系统(AIS)与光学成像等多源异构传感器辅助信息的多模态数据密集型系统需求显著提升。本综述系统梳理了面向海洋监测的机器学习(ML)与深度学习(DL)技术的最新进展，重点关注多模态数据融合与可解释人工智能(XAI)协议的应用。通过对2016至2025年间出版物的文献计量学评估，研究人员发现该领域正经历从单一模态向融合组合系统的显著转变，其中SAR与AIS的集成已成为实现实时船舶检测与异常识别的最具前景范式。本综述采用方法论视角，系统调研了雷达基、光学基及多模态方法在数据集性能、融合方法、失效模式、学习过程及动态模式方面的表现，并指出了数据异质性、标注数据稀疏性、可扩展性以及深度模型缺乏可解释性等研究难题。通过整合跨学科认知，本综述旨在为构建稳健、可解释且具备操作可行性的下一代多模态海事监视系统提供未来研究指引。
1. 引言
海运作为世界经济的基础支柱，承载着超过80%的全球贸易量。然而，广阔的海洋覆盖面积使得非法活动（如海盗、走私、人口贩运及非法捕捞）难以被有效监管。特别是“暗”船或幽灵船的出现，即船舶关闭或篡改AIS收发器以规避追踪，对海上安全与环境构成了严重威胁。传统上对岸基雷达网络和AIS数据的过度依赖导致了态势感知的严重局限。尽管AIS应用广泛，但其易受蓄意干扰且在信号覆盖薄弱区域存在丢失风险。这促使了遥感技术的介入，Sentinel-1与高分三号(Gaofen-3) SAR星座提供了全天候、全天时的成像能力，而WorldView与Landsat系列光学影像则在良好气象条件下提供高分辨率视觉细节。然而，SAR在高海杂波环境下易产生虚警，且AIS与卫星过境的时间异步性增加了数据融合难度。人工智能(AI)，特别是卷积神经网络(CNN)、Transformer及混合架构的应用，显著提升了多模态数据的利用效能，但大规模标注数据集的匮乏、小型渔船微弱反射信号的检测难题以及模型的“黑盒”特性导致的可解释性不足，仍是当前亟待解决的技术瓶颈。
2. 文献筛选过程
本研究遵循结构化叙事策略以确保透明度与可复现性。检索主要基于Scopus数据库，辅以Google Scholar以捕获未被完全索引的新兴研究，共识别出243条记录，涵盖2016至2025年的同行评审期刊、会议论文及专著章节。筛选标准聚焦于应用AI技术（包括ML、DL、数据融合）于船舶检测、跟踪、暗船检测及海事领域感知(MDA)的研究，排除了非同行评审内容及纯物理海洋学研究。经过严格筛选，最终确定的研究集合平衡覆盖了SAR、光学及多模态方法。
3. 数据模态与可用数据集
卫星船舶检测高度依赖于大规模标注数据集，依据传感机制可分为雷达、光学及多模态三类。
3.1 雷达(SAR)数据集
代表性数据集包括SSDD、LS-SSDD-v1.0、HRSID、OpenSARShip、AIR-SARShip-1.0及SRSDD。研究表明，数据集在海洋状态、入射角及船舶尺度上的多样性直接影响模型的泛化能力评估，包含AIS元数据的数据集更能支持除检测外的回归与特征表征任务。
3.2 光学数据集
研究对比了HRSC2016、FGSD、GF1-LRSD、SDS、MSDS、PSDS、DIOR、ShipRSImageNet、xView及VHRShips等数据集的性能。结果表明，两阶段检测器在高分辨率且目标边界清晰的场景下表现优异，而单阶段及无锚框架构在低分辨率或杂乱背景下因密集采样具有优势。从检测到细粒度识别的性能衰减现象显著，特别是在VHRShips数据集中，识别与身份确认的F1分数远低于检测分数，凸显了仅依靠检测性能的局限性。
3.3 多模态数据集
针对xView3-SAR、SEN1-2、QXS-SAROPT、S2-SHIPS及FUSAR-Ship的分析显示，融合带来的增益在基线较弱时最为显著。元数据（如AIS和环境变量）的重要性往往等同于额外的图像波段。自监督学习能有效将融合优势迁移至下游单模态任务，但跨模态匹配误差及类别不平衡问题仍未得到根本解决。
3.4 影响性能的跨数据集因素
由于标注格式（水平框与旋转框）、场景复杂度（远海与近岸）、空间分辨率及评估协议（IoU阈值设定）的差异，不同数据集间的性能比较需持谨慎态度。
3.5 数据生态系统的演进
研究重点正从单一传感器基准转向集成多模态感知、时间更新与上下文元数据的操作型数据生态系统，涵盖分布式数据采集与联邦观测框架，以支持北极等高挑战环境下的广域监视。
3.6 多模态海事监视的融合分类法
多模态融合可根据融合阶段分为数据层、特征层与决策层；根据计算范式可分为概率方法、DL模型及结合物理处理与学习的混合技术。沿迹干涉(ATI)与位移相位中心天线(DPCA)等技术主要在数据处理层面运行以改善SAR信号质量。
4. 现有研究与技术路径
4.1 模态与传感器特定研究
4.1.1 SAR单模态研究：从早期的CFAR统计方法发展为基于Faster R-CNN、YOLO及Transformer的端到端DL流水线，极化分解与合成数据增强技术进一步提升了复杂背景下的检测鲁棒性。
4.1.2 AIS+SAR融合研究：早期工作验证了AIS在减少虚警中的作用，随后发展出基于模糊推理、多任务CNN及轨迹匹配的融合架构，实现了从单纯检测到船舶识别与行为分析的跨越。
4.1.3 光学单模态研究：侧重于利用高分辨率影像进行轻量化检测与分类，但在恶劣天气与夜间条件下存在固有局限。
4.2 经典与统计方法
尽管DL占据主导，基于K分布、广义似然比检验(GLRT)的统计模型仍提供可解释的基线。极化特征提取、面向对象图像分析(OBIA)及时空跟踪方法，在低数据量与需要物理可解释性的场景下具有不可替代的价值。
4.3 基于深度学习的船舶检测方法
涵盖了CNN基线架构、YOLO系列实时框架、区域建议与注意力增强架构，以及最新的多模态融合网络。特别地，AIS-FCANet等模型引入了频空上下文感知机制，而 staggered ambiguous SAR mode 实验验证了在不依赖数字波束形成的情况下实现高分辨率宽测绘带成像的可行性。
4.4 幽灵船、暗船与海事异常
主流流程结合SAR检测（CFAR或YOLO变体）与AIS关联，将未匹配的检测标记为潜在暗船。YOLOv10与AIS配对及YOLOv11n-OBB等方法显著提升了精度，但对AIS可用性的依赖仍是主要短板。
4.5 尾流信息辅助的船舶检测
利用Radon变换、低秩分解及DL方法提取SAR与光学影像中的尾流特征，对于检测无AIS的小型船舶具有独特优势，混合物理特征与CNN的方法在可解释性与精度间取得了最佳平衡。
4.6 海事领域的延伸贡献
涵盖了用于星载处理的轻量化DL模型、结合卡尔曼滤波的融合框架、分布式声传感(DAS)的应用以及港口管理与极地监视的扩展。
4.7 工业发展中的挑战与研究空白
主要包括多源数据时间异步、公开数据集地理局限性、小型船舶微弱信号检测、海杂波抑制、AIS欺骗与缺失、DL模型黑盒特性以及边缘计算部署的能效优化问题。
5. 多传感器与多模态融合方法及架构
现代系统倾向于在统一管道中集成异构数据流。5.1 多模态融合架构与框架指出，早期融合适用于对齐良好的实时系统（如无人机），中间融合擅长处理异构异步的卫星数据，晚期融合则在实际操作（如AIS与SAR结合搜捕暗船）中最为实用。5.2 讨论与新兴方向强调了动态对齐、可扩展融合标准、可解释模型及边缘部署是未来的核心攻关点。5.3 融合策略的操作意义分析了不同策略在UAV监控、卫星星座及广域监视中的适用性差异。
6. 失效模式
系统总结了导致性能下降的关键因素。SAR失效包括海杂波虚警、小型船舶漏检、方位向模糊产生的“鬼影”目标及斑点噪声；光学失效源于云层遮挡、太阳耀斑、阴影及尺度变化；AIS失效表现为信号缺失与故意关闭；融合失效则由传感器错位与时间不一致引起；通用DL失效则体现为对小目标（<10像素）的敏感度不足及严重的过拟合现象。
7. 可解释人工智能(XAI)与可信度
XAI在安全关键的海上环境中至关重要。透明化的决策过程、置信度量化及可视化解释有助于操作人员校准信任，支持航行避碰决策、合规性审查及事故调查。
8. 新兴趋势
多模态AI正深入应用于港口安全、入侵监测及自主航行支持。原始传感器数据集（如VDS2Raw）的发布推动了星上处理与边缘AI的发展，旨在降低下行链路负担并提升响应速度。
9. 结论
本文回顾了从经典统计方法向多模态AI集成的演进历程。虽然SAR与AIS的结合显著提升了监视能力，但开放数据集匮乏、类别不平衡及跨传感器对齐仍是主要障碍。未来的研究应聚焦于物理信息驱动的基准数据集构建、架构可解释性提升及边缘计算能力开发，以支撑自主航运与智慧港口的可持续发展。
