对合成孔径雷达(Synthetic Aperture Radar,SAR)图像中的船舶尾迹进行检测,以及利用尾迹获取船舶参数在海洋遥感和目标识别领域具有研究价值且前景广阔。论文对尾迹模型和SAR图像的尾迹检测算法进行了研究。针对基于Radon变换的检测算法对输入图像有尺寸、场景的限制,引入深度学习卷积神经网络Faster RCNN算法检测船舶和尾迹的区域,提高了检测算法的准确性和实用性,并对尾迹和船舶进行关系配准,有利于船舶参数获取。最后在检测出尾迹位置的情况下,实验分析通过开尔文尾迹和湍流尾迹等获取船舶参数的方法。论文主要的工作为:1、基于船舶尾迹模型进行仿真实验。结合点源扰动理论对不同吨位,船速下船舶进行开尔文尾迹仿真,讨论了不同的参数对于开尔文尾迹幅度、波长的影响。使用双线性叠加法进行了内波尾迹,湍流尾迹的仿真研究,讨论了不同船速下尾迹的形态特征。2、探讨了实测尾迹检测算法。首先针对了SAR图像尾迹的形态特点和线性特征引入了检测性能更为优异的归一化Radon变换。为了提高实测SAR图像船舶尾迹的正检率,在归一化Radon变换的基础上,引入剪切波变换对尾迹进行增强预处理,并与传统的边缘增强算法效果进行了对比,实验表明使用剪切波变换对尾迹特征进行增强在细节完整性,信息冗余度方面表现地更好。在Radon域搜寻尾迹不同成分的位置考虑了尾迹不同成分的形态特征,提升了算法的效率和可靠性。3、深入研究了Faster RCNN检测算法,进行了基于Faster RCNN的船舶及尾迹区域检测实验,可以弥补传统的尾迹检测算法的不足。分析了Faster RCNN算法的理论基础和优势,实验之前先创建了一个来源于Terra SAR-X卫星的船舶尾迹样本数据集,为了提升算法的准确率,对训练样本数据进行了扩展,并给出了相应的创建过程,船舶的训练数据来自于公开的数据集。然后基于所创建的数据集进行了Faster RCNN检测实验。在检测出船舶与尾迹的区域后,使用尾迹配准原则确定船舶与尾迹的对应关系,为利用尾迹进行船舶参数反演提供了便利。4、研究了开尔文尾迹的频域特性,利用开尔文尾迹获取船舶速度与航向的估算方法,使用中心矩和船舶切片像素快估算航向,船体尺寸的的方法;由于湍流尾迹是最明显的尾迹成分,通过船舶重心和湍流尾迹可以得到方位向位移,研究利用船舶方位向位移和雷达测量参数获取船舶速度的方法。最后研究了利用开尔文尾迹的波幅函数获取船舶尺寸参数的方法。