高分辨率可见光遥感图像丰富多样的地物信息推动了遥感图像目标检测技术的发展。作为海上交通、海洋资源探测的重要载体,海面船舶目标的快速准确检测在军民领域具有重要意义。为满足船舶检测不断提高的精度需求,当前检测方法已逐渐从传统的视觉显著性阈值分割过渡到以深度学习为代表的数据驱动检测方法。为满足在存储、能耗等资源受限的移动端实时处理应用需求,轻量级深度学习模型由于能够大幅减少计算量被逐渐应用于船舶检测任务中。其中,稀疏Mobile Net V2是课题组经过前期实验与研究积累的面向遥感在轨处理的方法,能够有效实现平静海面下船舶快速高精度检测,然而,由于其训练集中缺乏船舶目标和正负样本类不平衡的问题,导致检测模型在复杂的云干扰场景下易陷入过拟合。数据增强是一种对有限训练数据通过某种变换得到更多数据的技术,可以从原始数据角度出发在一定程度上解决船舶目标检测的过拟合问题。本文提出一种样本空间与特征空间联合的数据增强方法(Space Association Data Augmentation,SADA),通过从样本数据变换和特征空间拟合的角度丰富数据集,实现对船舶图像的增强与补充,具体研究内容如下:(1)针对样本空间数据增强方法设计主要依赖专家先验知识及图像特点的问题,通过借鉴地面拍摄的自然景物图像数据集常见增强方法,开展实验研究确定船舶样本空间增强策略,以解决卫星遥感图像分析领域船舶目标数据增强方法研究基础不足的缺陷。首先,通过分析船舶图像特点,从样本空间方法中筛选出具有减少训练集与真实场景差异潜力的操作,并结合本文船舶图像特点对其相关参数进行设置。然后通过筛选出的方法分别对原始船舶数据进行相同倍数的扩充,对比各类方法扩充后的训练集在稀疏Moible Net V2网络训练的召回率和虚警率,确定本文基于样本空间的船舶目标数据增强方法具体操作方式。根据实验结果,本文的样本空间增强方法能够有效提升船舶目标检测召回率,但同时带来虚警率明显升高,降低模型对负样本的分辨能力。(2)针对样本空间增强方法受数据格式限制未丰富目标特征,且带来检测虚警率增高的问题,利用生成对抗网络在特征空间对船舶目标进行数据增强。针对传统深度卷积生成对抗网络(Deep Convolutional Generative Adversarial Networks,DCGAN)生成遥感船舶图像清晰度不足的问题,从特征空间拟合角度生成遥感船舶图像,提出能够进一步丰富数据集的深度卷积船舶目标生成对抗网络(Deep Convolutional Ship Generative Adversarial Networks,DCSGAN),并通过稀疏Moible Net V2网络验证其精度提升效果。根据实验结果,本文的特征空间增强方法能够在提升船舶目标检测召回率的同时避免虚警率明显升高,但其对召回率的提升效果相比样本空间方法稍有不足。(3)针对样本空间与特征空间增强方法各自在图像多样性方面的不足以及召回率与虚警率的矛盾,本文面向高分辨率可见光遥感船舶目标,提出一种空间联合数据增强方法。首先通过将原始船舶图像与通过样本空间和特征空间方法各自并行扩充获得的待选数据集,然后再按照对比实验确定的比例组合,形成空间联合增强数据集。利用稀疏Moible Net V2网络开展的性能验证与评估实验表明:与单一空间数据增强精度提升方法相比,本文的空间联合数据增强方法能够在显著提升召回率的同时避免虚警率明显上升,有效地缓解了检测召回率与虚警率相互制约的冲突。(4)针对目标检测精度评价无法全面衡量数据增强效果的问题,本文对DCSGAN网络生成的船舶图像进行质量定量评价研究。借鉴自然图像领域常见评价指标,选择峰值信噪比(Peak Signal to Noise Ratio,PSNR)和结构相似度(Structural Similarity Index,SSIM)衡量本文生成船舶图像与原始图像在能量、结构的相似性,以解决遥感领域缺乏数据增强效果评价相关研究的不足。针对特征相似性常见评价指标普遍采用的特征提取网络Inception V3对本文遥感船舶图像特征提取效果的适应性问题,提出一种借助稀疏Mobile Net V2网络进行特征提取的评价指标Fre?chet Mobile Net Distance(FMD),用以衡量本文生成图像与原图的特征相似性。实验结果表明,本文生成的船舶图像与真实图像相比像素失真程度较小,结构和特征相似度较高。