0 引　言

随着计算机和人工智能技术的不断发展，船舶与智能技术的融合受到了全球的广泛关注，无需人工干预就能够自主航行的智能化船舶已经成为船舶领域未来必然的发展趋势^[1]。船舶想要实现智能航行首先需要借助先进的传感器设备来实时的感知周围环境，之后利用通信技术和自主控制手段根据感知得到的信息自主规划航行路线并做出决策^{[2 − 3]}。由此可见，智能感知是船舶智能航行的关键组成部分，实现较为精确的智能感知对于船舶的智能化具有重要意义^{[4 − 5]}。

航海雷达和船舶自动识别系统（Automatic Identification System，AIS）是船舶上广泛配备的2种感知设备，用于获取船舶航行过程中的水面障碍物目标^[6]，航海雷达具有更新频率快、探测距离远、探测不受天气影响等优点，然而受成像原理影响，航海雷达图像中存在大量杂波，当目标的回波信号较弱时很容易被杂波信号掩盖^[7]，形成虚假目标概率较高。AIS是一种新型船舶助航设备，它会每隔一段时间后自动发送和接收船舶的各种信息，包括动态信息和静态信息等。AIS所得信息不会受到外界航行环境的影响，感知精度也较高^[8]。但AIS属于一种被动感知设备，当船舶未安装或打开AIS时便无法获得目标信息，同时AIS信息的发送频率不固定，发送的间隔时间也较长。雷达和AIS的优劣形成了鲜明互补，因此在实际场景中通常会使用关联方法将两者相结合，以获得更为精准的目标信息。

目前常用的雷达与AIS水面多目标关联算法主要是一些传统方法，例如最近邻算法（Nearest Neighbor, NN）、匈牙利匹配等。吴孝贤等^[9]针对船载地波雷达与AIS目标航迹关联中未考虑平台运动导致目标航迹关联正确率低的问题，建立了以船载平台为中心的运动坐标系，并使用匈牙利算法进行匹配。Wang等^[10]提出一种加权关联方法，该方法利用不同航迹点之间的距离差矩阵建立关联的权重矩阵，并利用信息熵理论计算距离信息熵和残差度。这类方法主要依靠计算雷达航迹点和AIS航迹点之间的距离来进行关联，当船舶目标较为稀疏时关联精度较高，且计算量小，方法易于实现。然而这类方法也有不足之处，当船舶目标数量增加，目标航迹较为紧邻时，错误关联的次数会显著增加。由于传感器设备间的差异性和随机噪声等因素的影响，同一船舶目标轨迹间的相似程度具有模糊性^[11]，所以有不少学者开始研究基于模糊数学的关联方法。刘根旺等^[12]提出一种基于模糊双阈值的雷达AIS轨迹关联算法，该方法利用模糊隶属度来量化轨迹之间的关联程度，使用双重门限机制来确定最终关联的轨迹对。赵力等^[13]提出一种基于模糊数学的灰色航迹关联方法，该方法根据航迹间的统计距离计算隶属度关系，简化了隶属度的计算量，在目标密集且航迹交叉场景下的关联精度较传统方法有所提升。这类方法优点在于当雷达或AIS某一方的数据缺失时可以通过加权融合其他特征来计算综合隶属度，提升复杂环境下的关联准确率。然而，模糊数学方法的关联结果通常是以概率分布的形式给出，在多目标密集航行场景下可能出现一对多或者多对一的情况，需结合其他算法进行最优解匹配。

随着人工智能技术的不断发展，智能算法在目标关联领域的应用越来越广泛，唐裕峰^[14]提出一种基于机器学习的雷达AIS航迹关联算法，该方法将分布频率（Distribution Frequency，DF）特征和动态时间规整（Dynamic Time Warping，DTW）特征相结合，较单一特征关联准确率有了明显提高。黄善稳^[15]提出一种基于BP（Back Propagation）神经网络的目标关联算法，验证了这类方法的可行性及优势。相较于传统方法而言，基于深度学习的目标关联方法可以通过卷积神经网络（Convolutional Neural Network，CNN）或者循环神经网络（Recurrent Neural Network, RNN）直接处理原始数据，自动提取轨迹中的隐含特征，具有较强的泛化能力。Kim等^[16]提出基于CNN的关联方法，利用CNN模型提取轨迹特征进行关联。Yang等^[17]提出一种基于图卷积神经网络的雷达AIS关联算法，将时间序列数据转化为图中的特征分布，摆脱了传统算法对时间序列预处理的依赖。然而基于神经网络的模型如RNN和（Long Short-Term Memory，LSTM）等都存在因梯度消失而导致的长时序信息丢失问题，处理长时轨迹效果不佳。

综上所述，传统关联方法在密集航行场景中表现不佳，深度学习方法将轨迹与轨迹直接进行匹配，避免了陷入局部最优从而导致关联错误的问题，在雷达AIS关联领域具有更大的应用潜力。然而现有文献针对深度学习方法在关联领域应用的研究较少，且缺少实际航行数据的验证。近年来，基于Transformer的网络模型^[18]在处理自然语言序列方面取得了巨大成功，其利用创新的注意力机制，直接计算不同时刻数据特征的关联权重，避免了信息丢失问题，且Transformer模型摒弃了循环结构，并行运算所有时间步，显著减少了计算耗时。因此，本文利用雷达图像与AIS数据，设计了一种基于Transformer的水面多目标轨迹关联算法，并在实际内河数据上进行实验验证。

1 经典Transformer模型

Transformer是谷歌在2017年提出的神经网络架构，其通过创新的自注意力机制（Self-Attention）取代了传统的卷积结构，这种机制可以并行计算输入序列中所有位置的权重，从而解决长距离的依赖问题，提升模型的特征捕获能力。Transformer主要由编码器（Encoder）和解码器（Decoder）组成，编码器负责处理输入的序列，解码器负责生成输出的序列。编码器和解码器由很多相同的层组成，每一层都包含自注意力层和前馈网络（Feed Forward Network，FFN）2个子层，每个子层后都会进行层归一化和残差连接，这有助于稳定并加速训练。另外，由于Transformer将序列中所有数据一同输入，缺少了序列的顺序信息，所以额外添加位置编码模块来帮助模型确定每个数据在序列中位置。Transformer最核心的部分就是自注意力模块，自注意力模块对输入进行线性变换，得到Q、K、V三个向量并进行计算，计算公式为：

$ \text{Attention}(Q,K,V)=\text{softmax}\left(\frac{Q{K}^{\text{T}}}{\sqrt{{d}_{k}}}\right)V。$

(1)

式中：Q为查询向量；K为键向量；V为值向量；d_k为Q和K的向量维度。Q、K、V主要通过输入序列中每一个向量与3个随机初始化的矩阵W_q、W_k、W_v相乘得到，这样一来序列中每一个元素都有3个包含自身信息的向量，之后将每一个元素自身的Q与其他元素的K相乘，2个矩阵相乘结果可以衡量这2个矩阵的相似度，所以得到的结果经过标准化和Softmax归一化转换后就是该元素和其他元素的权重，所有权重之和等于1。之后再将每个权重乘以对应的V值，所有乘积结果相加就得到了一个元素的Attention值，该值中包含了该元素的固有信息、位置信息以及和其它元素的关系信息。

在经典的RNN模型及其变体如LSTM、GRU（Gated Recurrent Unit）等结构中主要存在一个问题，模型逐步对元素进行处理，每个序列不论长短都会被压缩成固定维度的向量，随着传递距离的增加，关于序列末尾的信息会更多，而开头的信息会被“遗忘”。而从上述对Transformer的介绍可以看出，自注意力机制能够并行处理序列中的所有元素，并且任意2个元素在模型中都平等，这就很好地解决了RNN的计算效率问题和“遗忘”问题。

2 基于改进Transformer的雷达AIS关联算法

在复杂场景下，由于船舶目标间的航行距离较近，点与点之间的关联方式容易陷入局部最优，即在某一时刻与轨迹不同但距离最近的目标匹配，导致错误关联率增高，关联精度降低。而基于轨迹与轨迹间的关联方式注重轨迹的全局特征，避免了局部最优问题的发生，在复杂场景下具有更好的关联效果。基于此，本文设计了基于改进Transformer的雷达AIS关联算法，首先对雷达和AIS数据进行时空对准，确保数据的同步及坐标系统一；其次设计Siamese Transformer网络分别提取雷达和AIS目标的轨迹特征，捕捉轨迹间的关系；最后引入交叉注意力和多头注意力对注意力层进行改进，并通过对比损失训练模型。

2.1 时空对准

航海雷达和AIS输出的数据有所不同，AIS输出的主要是目标每一时刻的经纬度、航速、航向等信息，而航海雷达主要通过对雷达图像进行检测跟踪来得到目标轨迹，输出信息为目标每一时刻在图像上的横纵坐标，想要正确关联同一目标则需要首先对雷达和AIS数据进行空间对准，使两者位于同一坐标系下^[19]。本文将AIS的经纬度信息转到雷达图像坐标系下，转换公式为：

$ {{d}_{\mathrm{lon}}=(lo{n}_{t}-lo{n}_{\mathrm{radar}})\cdot \left(ar\mathrm{c}\cdot 2\cdot \dfrac{\text{π} }{360}\right)\cdot \cos \left(la{t}_{t}\cdot 2\cdot \dfrac{\text{π} }{360}\right)，} $

(2)

$ {d}_{\mathrm{lat}}=(la{t}_{t}-la{t}_{\mathrm{radar}})\cdot \left(arc\cdot 2\cdot \frac{\text{π} }{360}\right) ，$

(3)

$ X={d}_{\mathrm{lat}}\cdot \cos \left(\theta\cdot \frac{\text{π} }{180}\right)+{d}_{\mathrm{lon}}\cdot \sin \left(\theta\cdot \frac{\text{π} }{180}\right)，$

(4)

$ Y={d}_{\mathrm{lon}}\cdot \cos \left(\theta\cdot \frac{\text{π} }{180}\right)-{d}_{\mathrm{lat}}\cdot \sin \left(\theta\cdot \frac{\text{π} }{180}\right)。$

(5)

式中：lon_t和lat_t为当前时刻目标经度和纬度；lon_radar和lat_radar分别为雷达经度和纬度；arc为地球半径；θ为雷达的偏转角；X和Y为转换后得到的像素坐标。

经由上面公式计算得到的坐标信息较为粗糙，需要针对雷达图像分辨率特性进行修正，修正公式为：

$ {X}_{{\mathrm{AIS}}}=\frac{X}{d}+{c}_{x}，$

(6)

$ {Y}_{{\mathrm{AIS}}}=\frac{Y}{d}+{c}_{y}。$

(7)

式中：d为一个像素代表的距离；c_x和c_y为图像的中心点坐标；X_AIS和Y_AIS为最终所得AIS目标的像素坐标。

由于雷达和AIS数据的接收频率和接收间隔不同，需要对两者进行时间对准，从而保证关联的准确性。雷达一般以较为固定且快速的频率发送接收数据，而AIS的接收时间不稳定且间隔较长，因此需要对AIS数据进行内插外推处理，确保AIS数据时间戳与雷达数据统一。本文使用三次样条插值方法对AIS数据进行插值计算，雷达时间间隔为2~3 s，AIS时间间隔为30 s至几分钟，三次样条拟合多项式公式为：

$ {S}_{i}(x)={a}_{i}+{b}_{i}(x-{x}_{i})+{c}_{i}{(x-{{x}_{i}})}^{2}+{d}_{i}{(x-{{x}_{i}})}^{3} 。$

(8)

式中：a_i~d_i为计算所得系数；x_i为区间起始值；x为区间中任一点值。

2.2 改进的Transformer网络

雷达AIS的关联可以视为一个分类问题，也即将相同目标的不同轨迹归为同一类别，而将不同目标的轨迹归为不同类别，孪生神经网络非常适合解决这类问题；同时船舶的轨迹信息为一个时间序列，Transformer在处理时间序列方面具有优势，所以本文基于雷达与AIS轨迹匹配任务设计了孪生网络（Siamese Networks）与Transformer相结合的Siamese Transformer网络，该网络将孪生神经网络作为主体框架，把其中的卷积子网络改进为Transformer编码器，分别处理从雷达图像和AIS数据中获取的目标轨迹。

孪生神经网络是一种特殊的神经网络架构，其通常由2个结构相同且共享参数的子网络组成，这种设计允许子网络并行处理输入的数据，学习并比较2个输入之间的相似性和差异性，从而对输入的2个序列进行分类，序列之间的相似性主要通过计算特征表示之间的距离度量函数得到，一般的距离度量函数为欧氏距离或者余弦相似度，欧氏距离计算公式为：

$ d=\sqrt{\sum\limits_{k=1}^{n}{\left(\frac{{x}_{1k}-{x}_{2k}}{{S}_{k}}\right)}^{2}} 。$

(9)

式中：n为向量维度；S_k为各个维度的标准差；x₁和x₂分别为序列1和序列2。余弦相似度计算公式为：

$ \cos (\theta )=\frac{\displaystyle\sum\limits_{k=1}^{n}{x}_{1k}{x}_{2k}}{\sqrt{{\left(\displaystyle\sum\limits_{k=1}^{n}{x}_{1k}\right)}^{2}}\sqrt{\left(\displaystyle\sum\limits_{k=1}^{n}{x}_{2k}\right)^{2}}}。$

(10)

由于雷达和AIS目标轨迹间的相似性与各特征的数值大小差距密切相关，所以本文主要采用欧氏距离作为相似度的计算。

本文模型网络结构如图1所示，首先对输入的雷达和AIS目标轨迹进行预处理，将轨迹点的时间戳归一化，凸出相对时间关系，便于后续的位置编码；其次通过线性层将每个轨迹点的数据投影到Transformer模型空间，为每个轨迹添加一个可学习的CLS（Classification）标记用于聚合所有轨迹的特征信息，并基于归一化后的时间戳计算正弦位置编码，位置编码计算公式为：

$ PE(pos,2i)=\sin (pos/{10000}^{2i/{d}_{m}})，$

(11)

$ PE(pos,2i+1)=\cos (po\mathrm{s}/{10000}^{2i/{d}_{m}})。$

(12)

式中：pos为相对时间戳；i为维度索引；d_m为模型维度。

之后如图1中的Transformer模块所示，通过改进后的多层注意力捕捉轨迹自身的特征以及轨迹间的关系，在每个子层后使用残差连接和层归一化，提高模型的训练效率和性能；最后计算雷达与AIS轨迹之间的相似度，使用对比损失函数对模型进行训练，对比损失函数计算公式为：

$ Loss=\frac{1}{2N}\sum\limits_{i=1}^{N}\left[{y}_{i}D_{i}^{2}+(1-{y}_{i})\max {(0,{m}-{{D}_{i}})}^{2}\right]。$

(13)

式中：y_i为轨迹对的标签；D_i为轨迹对之间的欧氏距离；m为设定的阈值；N为轨迹样本对的总数。

2.3 注意力层优化

为了更好地增强模型对雷达和AIS轨迹的建模能力，本文对经典Transformer的自注意力层进行改进，在自注意力层后面引入交叉注意力层（Cross-Attention），交叉注意力具体结构如图2所示。其输入为2个不同的序列，序列1通过投影矩阵W_q生成查询向量Q，序列2通过投影矩阵W_k和W_v生成键向量K和值向量V，通过计算Q与K^T的点积得到注意力分数，再经过Softmax函数进行归一化得到注意力的概率分布，最后将注意力分布与值向量进行加权求和。该结构的引入使用雷达轨迹序列的Q和AIS轨迹序列的K、V进行计算，增强模型对异构数据同一轨迹间关系的建模能力。

另外为了进一步捕捉轨迹中的特征，本文在自注意力层和交叉注意力层中引入多头注意力（Multi-Head Attention），多头注意力将Q、K、V划分为若干个“头”，每个头都有自己独立的Q、K、V向量，对每个头进行注意力运算后再将结果进行拼接融合，得到最终的注意力输出向量。多头注意力计算式为：

$ \text{MultiHead}(Q,K,V)=\text{Concat}(head_1,...,head_n){W}_{O}，$

(14)

$ headi=\text{Attention}(QW_{i}^{Q},KW_{i}^{K},VW_{i}^{V})。$

(15)

式中：n为头数；i为第i个头；W_O为输出投影矩阵；W^Q_i、W^K_i、W^V_i分别为Q、K、V的投影矩阵。

多头注意力通过这种方式能够并行处理输入序列，得到包含不同角度的注意力输出结果，提高模型捕捉理解复杂依赖关系的能力。同时，为了防止模型出现过拟合现象，在注意力层中添加Dropout正则化，Dropout可以解决网络中的共适应问题，共适应是指随着模型的不断训练，具有更强表征能力的节点权重会被不断放大，而能力较弱的节点的权重会不断缩小乃至可以忽略不计，这导致了网络中只有部分节点被训练，模型训练效果的提升被限制。Dropout通过随机关闭网络中的一些节点来迫使网络学习冗余表示，帮助模型学习更鲁棒的特征，提高模型的泛化能力。Dropout的数学表示为：

$ y=\left\{\begin{aligned}&0，p，\\&{\frac{x}{1-p}}，1-p。\end{aligned}\right. $

(16)

式中：x为神经元的输入；y为神经元的输出；p为丢弃率。

3 实验结果与分析 3.1 数据集构建

本文所使用数据集为船舶在湖北省武汉市长江流域中实际航行时所采集的雷达图像和AIS信息。

该数据集包含1 h的密集航行场景，通过对轨迹进行标记和分割处理，最终得到410条雷达和AIS轨迹，其中每条轨迹对应20个雷达数据点的跨度。使用这些数据进行手动标注并构建轨迹正样本和负样本，正样本为标注为相同目标的雷达和AIS轨迹对，标签为1，主要用于帮助模型理解同一目标轨迹的相似性，正样本轨迹对如图3所示，图中线1为雷达目标轨迹，线2为AIS目标轨迹；负样本为标注为不同目标的雷达和AIS轨迹对，标签为0，主要用于帮助模型理解不同目标轨迹的差异性，负样本轨迹对如图4所示。以此得到最终数据集，并按照8∶2的比例划分训练集和验证集。

3.2 实验平台与参数设置

为了保持实验的稳定性和一致性，本文所有算法都基于Windows操作系统，模型训练与验证所用的硬件平台为NVIDIA GeForce RTX 4060高性能显卡，进行实验的软件环境为Python 3.11.11，Pytorch 2.6.0，CUDA 12.6。本文所进行实验的周期设置为200；训练批次设置为16；多头注意力头数设置为8，这样能够使每个头聚焦于关键的特征子集，更加全面地捕捉轨迹特征的同时避免过拟合；模型维度设置为64，这是因为本文船舶轨迹信息的输入相对低维且结构化，使用中等维度足以捕捉核心特征，同时较小的模型维度可减少模型的参数数量和内存占用，对于同时处理2个轨迹的孪生网络而言有助于维持计算效率；算法优化器为Adam。

3.3 评价指标

关联准确率（Precision）是评价目标关联算法最常用的指标，较高的关联准确率代表了模型对于同一目标轨迹的识别效果好，同时不会产生很多的错误关联。关联准确率的具体计算公式为：

$ Precision=\frac{TP}{TP+FP}\times 100\mathrm{\% }。$

(17)

式中：TP为模型认定是正样本，实际也为正样本的结果数量；FP为模型认定是负样本，实际为正样本的结果数量。

实时性也是评价模型的一重要指标，本文使用在训练集上的单次训练用时T_train和在验证集上的单次验证用时T_val两个指标来检验模型的计算效率，T_train越小代表模型的训练速度越快，计算成本较低；T_val越小代表训练好的模型处理新数据的速度越快，运算效率更高。T_train和T_val的计算式为：

$ {T}_{\mathrm{train}}=\frac{Trai{n}_{\mathrm{end}}-Trai{n}_{\mathrm{start}}}{N}，$

(18)

$ {T}_{\mathrm{val}}=\frac{Va{l}_{\mathrm{end}}-Va{l}_{\mathrm{start}}}{n}。$

(19)

式中：Train_end和Train_start为训练的结束时间和开始时间：Val_end和Val_start为验证的结束时间和开始时间；N为训练总次数；n为验证总轨迹数。

3.4 对比实验

为了验证所设计算法在密集航行场景下进行雷达AIS关联的性能优势，本文与图神经网络（Graph Neural Network，GNN）、LSTM算法、GRU算法、NN算法以及匈牙利匹配算法在同一数据集上进行对比实验，实验结果如表1所示。

可知，与传统的NN算法以及匈牙利算法相比，本文所设计的Transformer模型关联准确率分别提高了11.42%和10.64%，NN算法和匈牙利匹配都是基于距离的匹配算法，其通过计算同一时间步下雷达目标轨迹点和AIS目标轨迹点之间距离，选择距离函数计算最小的2个目标进行匹配，这种方法只考虑了局部信息，缺乏对轨迹全局上下文信息的利用，在轨迹密集的复杂场景中容易陷入局部最优解。相比之下，基于Transformer的关联模型通过自注意力机制能够同时考虑所有目标和时间步的信息，从而在全局范围内进行优化匹配，这能够明显提升关联准确率。同时NN算法和匈牙利匹配算法的结果都仅依赖于距离函数，难以捕捉目标之间的复杂关系，如速度、航向、轨迹趋势等特征，而基于Transformer的关联算法能够通过模型训练学习这些复杂关系，自动提取和利用多维特征，从而在雷达AIS关联任务中表现出更高的准确性。同时，本文模型与同类型的时间序列模型LSTM和GRU相比关联准确率提高了5.19%和5.41%，LSTM也是为处理时间序列数据而设计的循环神经网络模型，其主要通过引入各种门控机制来缓解传统RNN的梯度消失问题，然而尽管LSTM能够通过门控机制捕捉较长的依赖关系，但受限于数据的循环逐步处理，当序列较长时LSTM也仅能缓解而不是解决梯度消失问题；GRU在LSTM的基础上减少了一个门控单元，在保持关联准确的同时减少了计算量，然而GRU与LSTM一样也存在梯度消失问题。相比之下，基于Transformer的关联模型能够直接接收所有数据，并通过注意力机制直接建模轨迹内和轨迹间的关系，解决了因梯度消失而产生的“遗忘”问题，因此拥有更高的关联准确率。

在实时性方面，基于Transformer的关联算法训练速度与LSTM和GRU相比较慢，这是由于LSTM和GRU都属于循环神经网络，根据上一步的情况逐步计算结果，计算所用参数量较少，单步推理的计算成本比较低，而Transformer模型同时处理输入序列中的所有元素，并计算每一个元素和其他元素的权重关系，在序列较长时计算复杂度高，参数量远多于LSTM和GRU。在验证数据时，基于Transformer的关联模型验证速度与LSTM和GRU相比较快，这是由于Transformer的注意力机制能充分利用硬件的并行计算能力，在验证阶段处理批量数据时整体速度更快。

由表1可知，本文设计的算法与近年来研究较多的GNN模型相比关联准确率相差无几。但在实时性方面，本文模型参数量多于GNN，训练速度仍远高于GNN模型，这是由于GNN模型基于当前时刻的数据动态更新图结构，然后进行节点特征聚合，下一步的结果直接依赖上一步，无法并行处理所有时序数据；并且动态更新图结构需要不断重新构建邻接矩阵，这一步骤的计算复杂度随节点数的增加而线性增长，从而减慢了训练速度。

3.5 消融实验

为了验证本文提出的改进方法在提高雷达AIS关联准确率上的有效性，本文在Transformer模型基础之上逐步进行消融实验，实验中各类改进方法的定义如表2所示，其中方法1代表了以Transformer为Baseline并加入多头注意力机制，方法2代表了在Baseline基础上加入交叉注意力机制，方法3代表了本文算法，在Baseline基础上同时加入多头注意力和交叉注意力并在结构上相结合。实验结果如表3所示。

可知，方法1较Transformer基础模型的关联准确率提高了0.92%，这表明多头注意力通过并行学习轨迹的不同特征来更准确的建模船舶轨迹，增强了模型对船舶运动趋势的理解，尽管提升不多，但仍反映了其价值。方法2较Transformer基础模型的关联准确率提高了3.48%，这表明交叉注意力通过直接建模雷达和AIS两种轨迹数据之间的关系，使模型能够更准确地匹配雷达目标和AIS目标，在航迹密集场景中模型可以通过交叉注意力排除噪声的干扰，从而关注匹配度最高的对应关系，关联准确率提升较为显著。方法3较Transformer基础模型的关联准确率提高了4.45%，这表明本文所设计方法有效地将自注意力机制、交叉注意力和多头注意力三者相结合，多头注意力与自注意力的结合提升了单一雷达轨迹数据或AIS轨迹数据的特征表达能力，交叉注意力的引入以及与多头注意力的结合优化了雷达和AIS轨迹数据之间的关联能力，综合两者实现了最佳性能。

4 结　语

实现雷达与AIS的准确关联对船舶智能航行具有重要意义，然而在船舶航行较为密集的复杂场景下，传统的雷达AIS关联方法容易陷入局部最优，关联精度降低。针对这一问题，本文提出一种基于Transformer的雷达AIS目标关联算法，首先，将Siamese架构和Transformer相结合，使用2个结构相同的Transformer编码器分别处理雷达序列和AIS序列，提取各自轨迹的特征；然后，将自注意力与交叉注意力相结合，并在每个注意力层中加入多头注意力，提高模型对轨迹特征的捕捉能力，优化模型对于雷达AIS轨迹的关联能力；最后，在实船内河数据集上进行验证，并与其他关联算法进行对比实验。实验结果表明，本文提出的关联算法能够很好地捕捉不同传感器相同目标轨迹之间的相似性，在航迹密集的复杂场景下仍能实现较高的关联准确率。