无人平台将在未来海洋开发和海上对抗中发挥重要作用。本文研究了基于海上无人系统的舰船目标跨域协同感知技术,主要包括基于无人机的角反射器干扰下舰船检测技术、基于无人艇的光电图像舰船检测技术和舰船目标细粒度分类技术。无人机载雷达检测海上舰船目标时,容易受到串联式角反射器的干扰,本文针对此问题研究了角反射器干扰下的雷达图像舰船检测方法。本文提出了基于灰度梯度直方图特征的雷达图像舰船检测算法,实现了75%左右的准确率。深度学习方法方面,本文提出了浅层特征融合YOLOv4网络,更好地利用浅层信息,提升小目标检测效果;通过使用焦点损失函数,正负样本更加均衡,网络更关注困难样本的学习,能够实现99.41%的准确率和95.57%的召回率,具有良好的检测性能和抗角反射器干扰能力。无人机通过雷达获取舰船目标位置信息后,无人艇前往目标海域,通过光电图像进行检测,获得目标的精细边界框和粗粒度类别。针对以上任务,本文提出基于多分支扩展卷积下采样路径聚合特征金字塔的Cascade RCNN网络,使用多分支扩展卷积进行浅层特征图的降采样,通过自顶向下和自底向上两条路径,将浅层特征与深层特征进行更有效的融合;使用ResNeXt主干网络提高特征提取能力;使用感兴趣区域对齐代替感兴趣区域池化,提高检测精度。经过实验验证,本文所提基于多分支扩展卷积下采样路径聚合特征金字塔的Cascade RCNN网络相比原Cascade RCNN网络有更好的检测精度和小目标检测性能。获取目标的精准边界框后,可以对目标图像进行进一步的细粒度分类,获得舰船型号。本文提出了双分支注意力细粒度分类网络,通过目标全局特征和局部区域特征联合进行分类。目标图像经过TResNet主干网络,得到的全局特征图进行聚合得到激活图,然后经过注意力局部区域提取网络,自适应地提取出一定数量的关键局部区域。将局部区域图像送入TResNet主干网络得到局部特征图,局部特征图和全局特征图进入全连接层计算损失,网络总损失是局部损失和全局损失之和。经过实验验证,本文所提双分支注意力细粒度分类网络在自建舰船细粒度数据集上取得了96.1%的准确率。