AIS（Automatic Identification System，自动识别系统）的核心原理是对海上船舶广播动态参数和静态信息的接收与处理。AIS系统可动态获取船舶信息，并进一步结合工程模型，实现桥梁防船撞从静态经验向动态数据驱动的转变^[1-5]。图1展示了AIS感知桥区船舶通行轨迹的能力，图中密集的点状轨迹由AIS数据自动生成，分别对应上水船舶与下水船舶在桥区的历史运动过程，反映了AIS在空间精度、时间连续性与全局覆盖方面的优势，这为后续风险建模与船舶行为分析提供了坚实的数据基础。

图1 AIS感知技术在桥区场景下的应用示例[1] Fig.1 Example of AIS sensing technology applied in a bridge scenario[1]

AIS支持对个体船舶与特定行为的快速甄别，能够实现对目标船舶的连续跟踪与轨迹预测^[6-10]。Rong等^[11]针对船舶避碰行为，提出了AIS数据驱动的三阶段避碰识别算法，有效提升了对典型避让行为的识别能力。Zhang等^[12]提出了实时冲突概率排序（RtCP）方法，通过分析AIS数据中船速、航向等操纵性特征，建立冲突等级评估模型，实现低自主等级船舶在复杂环境下的自主避碰。此外， Wang等^[13]通过引入有限理性动态博弈理论，基于态势-博弈关系对多船相遇事件建模，结合历史AIS数据对目标船舶行为进行预测，为复杂航行情境下的智能船舶决策提供了支持。上述研究证明， AIS方法为桥梁防撞系统提升了风险识别能力，能够精准定位并预测潜在高风险目标。

可见光图像感知技术通常依靠可见光传感器收集自然光照下的图像信息，并通过图像处理与深度学习算法实现对环境中目标的检测、分类与追踪^[14-17]。传统的图像处理流程包含图像预处理、海天线检测、候选区域提取与目标识别，解释性和计算效率较高^[18]。近年来，基于YOLO、SSD等模型的深度学习方法因其强大的特征提取能力，在可见光船舶识别领域被广泛应用并不断优化^[19-21]。Huang等^[22]针对内河场景构建了ISDS数据集，并提出了YOLOv4-MSW模型，使用多尺度加权融合以提升小目标的识别能力，在平均精度和召回率上均优于原始模型。 Li等^[23]则在CA-YOLOv3中引入了ASFF模块和ConvNeXt骨干网络，实现对复杂遮挡场景下船舶的高精度识别，mAP提升至95.12%。

此外，多种不同图像增强算法被研究者应用于可见光船舶识别领域^[19，24-25]。Lee等^[26]结合了图像定位与扩展卡尔曼滤波方法，对船舶姿态和运动状态进行联合跟踪，有效提升了航向预测精度。Luo等^[27]提出了Co-tracker算法配合图注意力预测模型，实现了对船舶的轨迹稳定识别与未来路径预测，适用于复杂桥区的碰撞预警任务。

红外热成像感知技术通过识别物体热辐射特性实现非接触式感知，不依赖环境光照，能够在夜间、强雾等低能见度条件下提供稳定的图像信息^[28-30]。图2展示了红外热成像技术在海面目标检测中的应用效果。可以看到，即使在低光照或夜间条件下，该系统仍能准确识别船舶轮廓。

图2 红外热成像下的海上目标检测[29] Fig.2 Detection of maritime targets under infrared thermal imaging[29]

红外热成像感知技术存在图像对比度低、对象轮廓模糊与干扰噪声大的问题，为此研究者提出了多种改进方法以增强识别性能。Wang等^[31]设计了一种轻量级CNN结构，融合SWIR与LWIR多源信息，引入了瓶颈深度可分离的卷积与注意力机制，在多光谱红外船舶数据集上实现了高精度与高帧率的双重性能。Gao等^[32]提出了结合Gamma变换与轻量化YOLO检测框架的算法，实现了小型船舶在复杂背景中的有效检测，且该方法显著降低了计算复杂度，提升了船载感知设备的可行性。Huang等^[33]提出一种基于红外热成像与AI目标检测的水面目标测距系统，在真实海况下达到±10%的测距误差控制，识别准确率达94%。

激光雷达（LiDAR）感知技术通过发射激光束并接收其反射信号，从而构建精确的三维空间点云模型，识别船舶。与传统可见光感知技术相比， LiDAR具有抗干扰能力强、成像不受光照变化影响、距离测量精度高等优势^[34-35]，特别适用于光照不均、目标遮挡和视野模糊的复杂感知任务^[36]。

海事环境中存在雨雾、尾波干扰及目标尺度变化等多种不利因素，如何利用LiDAR实现高精度、低延迟的目标识别已成为近年来的研究热点^[37-39]。何芸倩等^[40]提出了一种轻量级点云目标检测网络LASSD，融合网络剪枝压缩与高阶局部注意力机制，在仅使用5.3×10⁶参数的条件下，达到了79.42%的检测精度和13.5ms的处理速度。颉琦等^[41]则针对雨雾等气象条件，设计了一种融合模糊C均值聚类、双边滤波与自注意力机制的点云检测方法，实现了噪声的有效剔除与复杂运动目标的准确识别。

受目标重叠、局部遮挡及背景动态变化等真实环境因素的影响，LiDAR感知系统面临准确性与稳定性的挑战。Xie等^[42]在LiDAR感知系统重引入了基于卡尔曼滤波的多目标跟踪算法，有效降低了因运动遮挡带来的检测中断与漏检问题。图3展示了其系统在内河场景中对多目标船舶的点云检测结果（上）及对应实际图像视图（下），在点云图中能够清晰观察到目标的边界与运动轨迹，验证了LiDAR系统在复杂环境下的识别准确性与适应性。Qi等^[39]则通过L型拟合算法对目标边界进行建模，并设计轻量级目标跟踪策略，在内河等复杂场景中有效减少了跟踪对象切换和中断现象，提升了目标跟踪的稳定性与算法效率。

图3 激光雷达点云检测与可视图像对比[42] Fig.3 Comparison between LiDAR point cloud detection and visible image

微波雷达目标感知技术通过发射电磁波并接收其从目标表面散射回来的信号实现目标的探测与感知。其中，被动干涉微波传感器（PIMS）和高频地波雷达（HFSWR）是两类常见系统。PIMS利用金属船体的低亮温（“冷”特性）与船舶尾迹的高亮温（“热”特性）之间的差异来实现船舶检测^[43]；HFSWR则通过接收地波路径上传播的信号感知超视距海上目标，并依赖距离—多普勒图或时频图进行能量分布分析^[44-46]。Chen等^[47]对极化合成孔径雷达的极化滚转不变特征进行了系统总结，指出其可有效克服因目标方向变化造成的散射差异问题，并验证了其对目标识别的鲁棒性与精度优势。Yan等^[48]引入了多分类器集成学习策略，利用真实船舶轨迹信息构建训练样本集，显著提高微波雷达对于船型分类的准确性，展现了迁移学习在微波雷达感知技术中的应用前景。

微波雷达船舶跟踪通常基于目标在连续图像或雷达帧中的运动一致性。Lu等^[49]提出了一种适用于PIMS系统的跟踪算法，通过分析系统性误差及噪声影响，在复杂环境下仍能准确提取船舶轨迹并估算航向。Golubović等^[50]以距离—多普勒图像的连续帧轮廓重叠特性作为检测一致性判据，提出了无需传统轨迹关联的船舶跟踪方法，通过识别多个时间帧中目标信号的空间聚合来反映了船舶的实际运动轨迹。

表1 不同船舶感知技术比较Table 1 Comparison of different ship sensing technologies

毫米波雷达通过发射高频电磁波并接收回波信号以实现对目标的探测与感知，其核心在于分析回波中的时间延迟、频率变化及能量分布，从而得到目标的距离、速度和方位等参数。原始信号通常被转化为距离—时间或距离—速度图，并进一步构建为距离—多普勒图、点云图等形式。基于这些图像进行特征提取，可获得目标的运动轨迹、轮廓与行为特征。

深度学习显著提升了毫米波雷达的识别能力^[51-52]。Rajab等^[53]结合多输入多输出雷达与神经网络，解决了多目标干扰与信号混叠的问题，实现了对六类运动模式的高精度分类，分类准确率超过95%。Su等^[54]针对复杂场景下的隐匿目标识别问题，提出了HR-FRAFnet网络，显著增强了识别鲁棒性。Li等^[55]在被动毫米波图像中进行亮温阈值与形态学处理，有效分离海面与船体，提升了关键敏感区域的识别精度。图4所示为实测场景中的可见光与被动毫米波图像对比及识别结果，展现了该方法在实际海上监控中的应用潜力。

图4 基于被动毫米波图像的船舶关键区域识别[55] Fig.4 Identification of critical ship regions using passive millimeter-wave[55]

毫米波雷达在多目标跟踪方面亦展现出强大的潜力^[56-57]。Rajab等^[53]利用多输入多输出雷达的高分辨能力，结合数字波束形成与微多普勒特征分析，实现了动态场景中目标的精确识别与跟踪。邓凯等^[58]提出了一种结合三维快速傅里叶变换与改进正交匹配跟踪算法的方法，在调频脉冲数量较少且接收阵元有限的条件下，提升了识别速度与精度，并有效抑制了多目标间的干扰。 Yang等^[59]针对智能交通系统的实时监测需求，提出基于蒙特卡罗采样的CFAR算法，提升了复杂交通场景中的监测灵敏度与跟踪准确性。

作为桥梁主动防船撞系统的前置保障，船舶目标感知技术的性能直接关系到风险识别的时效性与准确性。如表1所示，本文对AIS、可见光图像、红外热成像、激光雷达、微波雷达与毫米波雷达等六类典型技术进行了系统对比，全面分析其适用性与局限性，为后续多源融合系统的设计提供参考。

船撞风险评估系统由桥梁、船舶与环境三大子系统构成，三者各自动态变化，又互相交互影响^[100]，其关系如图5所示。船撞桥风险评估不仅要关注船舶的异常行为，还应同步感知桥梁结构的健康状态，基于通航行为风险和结构安全风险，融合环境的干扰情况，实现对风险的动态评估与前瞻响应^[101-103]。

图5 船桥碰撞风险协同系统结构示意图[100] Fig.5 The collaborative system for ship-bridge collision risk assessment[100]

船舶异常行为作为船撞桥事故的直接诱因，其监测研究主要聚焦于偏离行为的建模分析。Zhao等^[104]提出了一种参数提取方法，捕捉桥区内船舶的动态行为特征，结合有限元分析构建了风险预测模型，有效提升了碰撞概率估算的精度，尤其适用于通航繁忙区域。郭智刚等^[105]基于AASHTO模型分析了船撞角度对倒塌概率的影响，能够准确计算船舶撞击的安全角度范围。

桥梁在船撞冲击下的脆弱性，决定了事故后果的严重程度，相关研究聚焦于结构响应、构件承载能力与设计优化。Fu等^[106]构建了融合碰撞概率、结构脆弱性与经济性的优化模型，提出以桥梁全寿命周期最小总成本为目标的抗撞策略，为桥梁设计安全性与经济性的统筹优化提供理论支撑。贾恩实等^[107]等则关注非通航孔桥墩这一结构盲区，构建风险评估模型，打破了传统“通航孔独有风险”的认知。冯玉涛等^[108]提出了融合AHP与熵权法的模糊综合评估方法，通过214起事故构建指标体系，明确了构件风险权重，为监测系统提供了风险分级的决策依据，方法具有较强的普适性和实用性。

环境干扰因素包括风、浪、水流、能见度等，是影响船舶失控及碰撞的重要背景变量。 Liu和Guo^[100]从协同理论出发，提出“桥船共安”理念，在建模中引入了环境扰动作为驱动变量，与系统演化参数共同作用于船桥进行耦合响应分析，提高了模型对极端工况下风险演化过程的预测能力。研究为环境因子从“背景信息”转化为“输入变量”提供了转变思路，为船撞风险评估系统进一步构建提供了理论基础。