Distinguir las identidades de los barcos es fundamental para garantizar la seguridad y supervisión de la industria de la agricultura y el transporte marino. En este documento, presentamos una investigación y validación exhaustiva del progreso de la tecnología de re-identificación de barcos dentro de un marco cooperativo predominantemente gobernado por vehículos aéreos no tripulados (UAV). Nuestra investigación gira en torno a la creación de un conjunto de datos de ReID de barcos, el desarrollo de una red de extracción de características, la optimización de clasificación y el establecimiento de un sistema de re-identificación de identidades de barcos basado en la colaboración de vehículos de superficie no tripulados (USV) y vehículos aéreos no tripulados (UAV). Introducimos un conjunto de datos de ReID de barcos llamado VesselID-700, que comprende 56,069 imágenes que cubren siete clases de barcos típicos. También simulamos el estado de adquisición multiángulo de los UAV para categorizar las orientaciones de los barcos dentro de este conjunto de datos. Para abordar el desafío de distinguir entre barcos con pequeñas diferencias interclase y grandes variaciones intraclase, proponemos una red de extracción de características de grano fino llamada FGFN. FGFN mejora la arquitectura ResNet con un mecanismo de autoatención y agrupamiento de media generalizada. También introducimos una función de pérdida de múltiples tareas que combina la clasificación y la pérdida de tripletas, incorporando la minería de muestras difíciles. Los experimentos de ablación en el conjunto de datos VesselID-700 demuestran que la red FGFN logra un rendimiento excepcional, con una precisión de Rank-1 del 89.78% y un mAP del 65.72% a un nivel de vanguardia. Los experimentos de generalización en conjuntos de datos de ReID de peatones y vehículos revelan que FGFN sobresale en el reconocimiento de otros objetivos de cuerpo rígido y diversos puntos de vista. Además, para mejorar aún más las ventajas de la sinergia UAV-USV en el rendimiento de ReID de barcos, proponemos un método de optimización de clasificación basado en la fusión homóloga de UAVs multiángulo y la fusión heteróloga de la arquitectura colaborativa USV-UAV. Esta optimización conduce a una mejora significativa del 3% en el rendimiento de Rank-1, acompañada de una reducción del 73% en el costo de tiempo de recuperación.