合成孔径雷达（SAR）是一种主动式的微波传感器,具有不受光照、气候影响实现全天候的特点,在舰船检测方面具有广泛的应用。受近岸复杂背景干扰,传统的SAR舰船检测方法鲁棒性和泛化性不太好,具有一定的局限性,不能有效地区分舰船目标与背景;另外,针对排列紧密的近岸船舶,传统方法无法准确定位船舶位置。近年来,深度学习技术在目标检测方面取得了突破性的重要进展,也逐步开始广泛应用于SAR图像舰船检测领域。基于此,本文提出了一种改进的双向特征注意力金字塔网络模型,并通过实验证明了本文算法的有效性。本文具体工作如下:首先,本文在原FCOS网络的基础上,提出一种改进的特征网络模型。将注意力机制模块（CBAM）融入特征金字塔网络中,以提取更多不同尺度下的显著性特征信息,解决中小尺度舰船目标难以检测问题。其次,本文结合PANet网络思想,提出了一种双向特征金字塔网络。在特征金字塔后添加自底向上的金字塔模块,充分获取浅层特征图的空间位置信息,提取定位特征,将显著特征与全局模糊特征相结合,用于解决对于排列密集的近岸舰船出现漏检情况的问题。再次,本文对特征融合方式进行了改进,提出了一种加权特征融合方式。使得能更好地提取不同分辨率下的输出特征图信息,使不同层的特征图提取的特征信息的着重点不同,提高算法的鲁棒性,使网络模型更具有泛化能力。最后,为验证本文算法的有效性,本文在SSDD数据集上进行消融实验,并对SSDD数据集进行数据增强操作,增加数据多样性,以提高训练模型的泛化能力。实验结果表明,本文所添加的各个模块均能在一定程度上提高检测精度,证明了本文所提模块的有效性。此外,本文与其他经典的目标检测算法进行对比,本文算法精度达到90.46%,较原模型FCOS提高了9.79%,同时在速度上也明显快于其他检测算法,证明了本文算法的有效性。为了进一步证明本文算法的对近岸舰船的有效性,本文在SAR-Ship-Dataset数据集上与其他深度学习算法进行对比实验,证明了本文算法与现有方法相比有明显的优势,具有较高的检测精度。最后,本文采用实验室的SAR图像数据对本文算法进行测试,验证了本文算法的泛化性。