石油泄漏会对海洋环境造成严重危害，及时有效地检测海面溢油具有十分重要的意义，合成孔径雷达(SAR)因其覆盖范围广和全天时全天候成像等优势在海面溢油检测中得到了广泛应用。本研究提出了一种利用深度卷积神经网络(DCNN)从Sentinel-1影像中智能检测溢油的方法。首先针对现有溢油检测数据不足的问题，构建了一个场景类型丰富的Sentinel-1溢油检测数据集—Polarization Oil Spill (POS)数据集；其次采用一种基于TransUNet改进的深度卷积神经网络Trans-AttenUnet (TAU-Net)，通过结合Transformer和Attention Gate注意力机制，实现全局感知和局部关注的平衡，从溢油数据集中充分学习其极化散射特性和形状、纹理等语义特征。实验结果表明，与传统的监督分类和经典语义分割算法相比，本文所提出的Trans-AttenUnet网络能取得更优异的表现，总体准确率达到97.09%，F1分数达到90.27%，溢油分布图也更加连续和更符合实际情况。

SAR,溢油,深度学习