近年来,随着遥感探测技术的飞速发展,为海上目标检测和识别提供了多种多样的样本数据,遥感图像在军用和民用领域的应用范围日趋广泛。本文根据实际需要,为了监控和管制重点海域的港口区域的舰船流动以及海面舰船分布的情况,将海上目标识别分为了港口区域的检测和舰船目标的识别。之后围绕可见光遥感图像中的港口和舰船目标的自动检测和识别问题,在港口检测部分研究了边缘处理、特征提取和目标检测,在舰船识别部分研究了显著性检测、目标分类等关键技术,在此基础上分别设计了具有高检测精度、低虚警率的港口和海面舰船目标的自动检测和识别方法,提高了遥感图像海上目标检测和识别技术的效率和实时性。本文的主要研究内容归纳如下:1.介绍了可见光遥感图像下的港口和舰船目标检测和识别的基本原理,详细分析了港口和舰船目标的形状、颜色、纹理等主要特征,为海上目标检测和识别算法的研究提供了理论的依据。分别总结了现有的港口和舰船目标检测和识别算法,分析了各类算法的优缺点,并详细介绍了本文的检测和识别算法的关键技术的基本理论。2.提出了基于边缘保持算法的遥感图像处理技术,可以有效的降低港口图像的背景干扰。在包含港口的遥感图像中,由于靠近海岸线,因此会存在很多人造建筑以及海岸附近的自然风貌,这些复杂地貌会干扰港口目标的特征提取。通过实验评估,本文提出的边缘保持算法可以有效的剔除这些复杂、无用的背景信息,并能够有效的保留关键的边缘信息,提高了特征提取和目标识别的检测精度。3.提出了基于边缘分类的SIFT特征提取算法,能有效的减少非边缘类特征的提取,鉴于港口目标的特征属于明显的边缘类特征,因此本文设计的算法可以将提取的特征更多的集中在关键特征点上,降低了港口目标识别的误匹配率;4.提出了基于超复数傅里叶变换的显著性检测模型,可以快速搜索到与当前任务要求相关的信息。本文讨论了视觉显著性模型的研究价值及在目标检测领域内的应用现状,同时分别对显著目标检测等视觉显著性模型的构建、及其在可见光遥感图像舰船目标检测中的应用展开深入研究,设计了基于改进的超复数傅里叶变换显著性模型来定位海上舰船目标区域,更有效的抑制了海上出现的云雾,海杂波等背景干扰。5.提出了基于迁移学习的Res Net模型用来识别显著性检测后提取出来的舰船目标,这不仅解决了当CNN网络层数过深的时候出现的梯度消失、梯度退化等问题,基于迁移学习的方案可以用少量的舰船样本数据就能够训练CNN模型,并且实现更高精度的舰船目标分类。综上所述,本文对可见光遥感图像海上目标自动检测与识别领域面临的问题和挑战所涉及的相关理论进行了分析,针对港口区域的目标特征检测、感兴趣区域提取、目标检测,以及舰船目标的显著性模型、目标检测和识别等关键技术问题进行了研究,取得了一定的成果。本文相关成果可为航天航空领域可见光遥感图像的港口和舰船目标自动检测与识别技术提供理论基础与算法支持,具有借鉴意义。