无人艇（USV）在河道水面作业过程中，水草会缠绕推进器，这是整个业界应用都遇到的困扰。针对水面图像中水草分布的全局性、分散性以及边缘和纹理的复杂性，对U-Net进行改进并用于对图像所有的像素进行分类，以减少网络特征信息的丢失，并加强全局和局部特征的提取，从而提高分割性能。首先，采集多地多时段水草图像数据，制作了一个比较全面的水草语义分割数据集；其次，提出在U-Net中引入三个尺度的图像输入，从而使得网络对特征进行充分提取，并引进三种上采样图像的损失函数来平衡三种尺度的输入图像带来的总体损失；此外，还提出了一种混合注意力模块并引入到网络中，其包含空洞卷积和通道注意增强两个分支；最后，在新构建的水草数据集上对所提网络进行验证。实验结果显示，所提方法的准确率、均交并比（mIoU）和平均像素精度（mPA）值分别可达96.8%、91.22%和95.29%，与U-Net（VGG16）分割方法相比，分别提高了4.62个百分点、3.87个百分点和3.12个百分点。所提方法可应用于水面无人艇对水草的检测，并进行相应的路径规划来实现水草避让。
