合成孔径雷达(Synthetic Aperture Radar,SAR)从20世纪开始,已经广泛用于海洋监测,地理测绘等任务中。合成孔径雷达具有的全天时,全天候等特性,相对于光学雷达有着不可替代的优势,因此发展合成孔径雷达的成像与图像处理技术有着重要意义。由于合成孔径雷达的独特成像特性,它所成的图像一般难以直接解读。当目标的高速运功或反射强度过高时,有可能造成回波信号旁瓣过强的情况,加上不可避免的相干斑噪声,导致成像质量损坏严重。所以,合成孔径雷达的图像处理算法与光学雷达的图像处理算法并不一样,不能简单地将光学图像的处理算法直接用于处理合成孔径雷达图像。现如今合成孔径雷达的舰船检测算法分为主要用于工程上的主流传统算法与当前研究正火的深度学习算法。针对成像质量问题,传统算法需要关注图像的预处理方面,对图像进行旁瓣抑制,相干斑噪声抑制等等,同时后续的水陆分割与舰船检测识别方面需要独特地设计算法,以防预处理影响后续算法。而深度学习方面需要收集相应的合成孔径雷达舰船图像数据集,使用这些舰船数据集设计与调整神经网络。论文主要安排如下:1.研究了合成孔径雷达图像的旁瓣影响,并研究了旁瓣抑制算法与旁瓣抑制后的水陆分离与舰船检测算法。首先,介绍了传统的空间变迹滤波算法(Spatially Variant Apodization,SVA),并针对舰船检测目的通过全局恒虚警率算法(Constant False Alarm Rate,CFAR)对该算法进行修改,使其不必抑制整幅图像而只抑制反射强度过高的人造目标。然后,使用OTSU分割算法,讨论旁瓣抑制对水陆分离任务的重要性。最后,通过使用常用的有序统计恒虚警率算法(Order Statistic-CFAR,OS-CFAR)检测旁瓣抑制后的合成孔径雷达图像中的舰船,讨论旁瓣抑制对传统舰船检测算法的重要性。2.研究了舰船识别算法以及如何画出最小外接矩形的方法,并设计与实现了舰船检测识别软件。首先,介绍了广泛用于行人检测的梯度方向直方图特征(Histogram of Oriented Gradients,HOG)与支持向量机(Support Vector Machine,SVM)分类器。制作高分三号图像的舰船图像数据集,提取分类后图像上舰船的梯度方向直方图特征并使用支持向量机进行舰船识别,得到准确的目标图像。然后,介绍了马尔科夫随机场模型(Markov Random Field,MRF)与主成分分析算法(Principal Component Analysis,PCA),并使用这两种算法进行分类后舰船的最小外接矩形提取,以便于进行特征提取。最后,在MATLAB2016b上设计与实现了舰船检测识别可视化界面,包括对图像进行预处理,水陆分离,舰船检测与特征提取功能,同时也包括了对支持向量机模型的训练与测试。3.根据网上资源制作了SAR图像分割数据集,设计了小型化的图像分割网络,通过实验论证了深度学习网络与传统算法流程的可替代性。首先,介绍了深度学习中计算机视觉任务下的卷积神经网络,介绍了现如今常用的SELU激活函数与广泛用于医学图像分割的U-Net网络。然后根据网上开源的SSDD数据集,使用MATLAB2016b和Labelme工具制作了舰船分割数据集与水陆分离数据集。最后,基于Tensorflow2.0alpha框架修改U-Net网络并使用制作好的舰船图像数据集进行舰船分割与水陆分离,实验结果表明缩减版U-Net网络可以替代SAR图像目标检测流程中的OTSU水陆分离与CFAR检测。