监控重点海域的海上舰船目标分布对于发展海洋经济、监管海上交通、保障海上安全和国防建设等方面具有重要意义。但是,舰船目标检测面临着复杂海域的极端环境干扰、卫星光学图像数据繁杂以及舰船目标尺寸极小等问题,因此快速精确地检测出特定舰船的类别和位置信息已经成为亟待解决的一大难题。近年来,随着深度学习技术在计算机视觉领域的广泛应用,深度学习为舰船目标检测提供了重要的技术基础。本文研究了基于深度学习的海上目标检测方法,针对海上目标具有的复杂极端环境干扰、光学图像数据量大以及目标尺寸较小等问题,提出了一种高效的基于改进稠密结构的面向舰船小目标优化的深度神经网络目标检测框架。本论文的主要工作包括:1、为了提升海上目标的检测速度,本文从优化深度卷积神经网络结构的角度出发,根据舰船小目标检测特点,压缩目标检测框架的模型,设计了一种参数优化的跨层拼接稠密网络结构,该结构采用多卷积层间的稠密连接,对上下文的多通道特征进行拼接与重组,形成跨层特征的重复利用,从而压缩参数量,减少计算复杂度,提升检测速度。实验结果表明,该网络结构可以在维持检测精度的基础上使目标检测框架的参数压缩比达到基准框架的约30%,速度提升约22.6%。2、为了提升海上目标的检测精度,本文在特征提取网络中使用稠密连接结构的基础上融合了残差结构,在所设计的目标检测框架中采用了稠密和残差的混合结构,对跨层特征进行恒等映射,缓解网络加深带来的梯度弥散问题,进一步提升检测精度。实验结果表明,采用该网络结构的目标检测框架比基准框架提高了 9.2%mAP。3、为了进一步提升小尺寸舰船目标的检测精度,本文提出了基于稠密结构的同尺度多层特征融合方法。该方法借助跨层拼接的稠密网络结构,在不同尺度提取多层区域特征的基础上,融合稠密网络卷积层间同尺度的位置特征和类别特征,为预测层提供更丰富的语义信息作为信息补充的手段,进一步发掘了浅层的小目标特征,优化舰船小目标的检测精度。实验结果表明,使用该方法的DEOD在舰船小目标的检测精度上相比于基准框架提高了 26%AP。