合成孔径雷达（Synthetic Aperture Radar,SAR）是应用合成孔径原理的主动式微波成像雷达,具有高分辨率、全天时、全天候、远距离等工作特性,在对海洋区域的舰船目标进行连续长期的动态侦测任务中发挥着重要作用。随着SAR成像技术的发展,可以获取更多不同波段和极化方式下的舰船目标和背景信息,这对SAR图像舰船目标检测算法的性能提出了更高的要求。面对场景复杂且尺度多变的SAR图像舰船目标,传统的SAR图像舰船目标检测算法由于需要人工设计特征提取器等复杂步骤,其检测结果虚警率和漏检率高,并且鲁棒性差,难以满足现代需求。而基于卷积神经网络（Convolutional Neural Network,CNN）的目标检测算法由于其强大的自动学习和特征表达能力,因此逐渐成为了 SAR图像舰船目标检测方法研究的趋势。本文针对SAR图像舰船目标检测的现代应用需要,设计了多种基于CNN的SAR图像舰船目标检测方法。本文主要工作内容如下:（1）本文详细介绍CNN基本原理以及典型模型结构。然后对典型的基于CNN的目标检测模型进行介绍,并在开源的SAR图像舰船目标检测数据集SSDD上进行实验。最后根据实验结果分析了目标检测模型直接移植应用在SAR图像舰船目标检测任务上的优势及不足。（2）针对目标检测模型直接应用于SAR图像舰船目标检测任务,检测结果虚警率和漏检率较高的问题。本章研究分析了多种注意力机制模型的工作原理及优缺点,由此提出基于选择性坐标注意力的SAR图像舰船目标检测方法。该方法以选择性坐标注意力机制为基础,通过适合舰船目标的多分支特征提取方式及可捕获空间位置信息的“门机制”对特征信息选择性加权融合,以增强舰船目标的特征表示。最后,与多种注意力机制模型以及典型的目标检测模型实验对比。实验结果表明,选择性坐标注意力机制相较于其他注意力机制,可以更有效增强舰船目标位置特征。同时,基于选择性坐标注意力机制的SAR图像舰船目标检测方法相比其他目标检测模型进一步提升了舰船目标的检出能力。（3）针对目前常用的特征融合网络在特征融合时会对特征信息造成干扰,不利于SAR图像中小目标舰船检测的问题。本章详细分析了多种典型的特征融合网络,如特征金字塔网络等,由此提出了基于邻近特征融合的SAR图像舰船目标检测方法。该方法以邻近特征融合网络为基础,通过仅将当前特征层与邻近的高层语义特征图进行融合的方式,更科学地对舰船目标特征进行融合。最后,与多种特征融合网络以及典型的目标检测模型实验对比。实验结果表明,在特征融合阶段邻近特征融合网络相比其他特征融合网络可有效避免破坏舰船目标的特征信息。同时,基于邻近特征融合的SAR图像舰船目标检测方法与其他目标检测模型相比可有效地提高小目标舰船的检测能力。（4）针对目标检测模型的特征提取网络大多采用正方形卷积核,出现感受野与舰船目标宽高比存在不匹配的问题。本章详细分析了多种特征提取模块,如RFB（Receptive Field Block）等,由此本章提出了基于混合多特征提取的SAR图像舰船目标检测方法。该方法以混合多特征提取模块为基础,通过普通卷积、非对称卷积及空洞卷积多种特征提取方式形成与舰船目标相匹配的感受野,以提高对复杂尺度舰船目标的特征提取能力。最后,通过特征可视化技术以及消融实验对混合多特征提取模块的有效性进行验证,并且与典型的目标检测模型实验对比。实验结果表明,混合多特征提取模块可更加充分地提取舰船目标特征,同时,基于混合多特征提取的SAR图像舰船目标检测方法相比其他目标检测模型进一步提升了对多尺度舰船目标的检测性能。