深度学习有三大核心要素:大数据、深度学习的算法设计和高性能的计算平台。在计算机视觉的目标识别领域中,大数据体现为待识别目标图像样本大数据构成的目标数据集。目标数据集是基于深度学习的目标识别算法的前提和基础,其完整性、均衡性和规模大小会直接影响算法的性能。但是,在目标数据集构建过程中,受到待识别目标的成像条件、采集条件、合作/非合作目标、成本等诸多因素的影响,目标数据集表现出不均衡且不完备的特征,不能满足实际应用的需要,通常表现为:“训练好的深度网络模型在实验室环境下能够取得很好的目标识别效果,但是在实际应用环境下目标识别效果却极差”。当前,对于目标数据集的研究大多集中在公开数据集构建、数据集不均衡问题、基于深度学习网络的目标类间均衡优化等方面,对于面向实际场景下具体目标数据集的均衡性和完备性却关注很少。因此,本文将面向舰船目标识别实际应用需求,开展舰船图像目标数据集的均衡完备构建相关关键技术研究,提高实际工程应用中舰船目标识别算法的准确性和鲁棒性,主要工作内容如下:（1）提出了目标数据集均衡完备的概念。结合实际舰船目标识别应用场景,详细分析了舰船目标数据集的完备性和均衡性内涵,并最终提出了舰船目标数据集评价指标体系,为舰船目标数据集的均衡完备评价提供支持。（2）设计了一种目标数据集均衡完备评价方法。该方法基于目标数据集均衡完备程度与目标识别准确率的正相关特点进行设计,即目标数据集均衡完备程度越高,目标识别的准确率就越好。首先,对目标数据集进行统计分析、处理和计算得到各评价指标参数;第二,计算目标数据集各评价指标参数和目标识别准确率之间的关联度和权重;第三,生成目标数据集的最优/最劣均衡完备方案;第四,对当前目标数据集进行均衡完备评价。利用自建舰船目标数据集,对目标数据集均衡完备评价方法进行了实验验证,实验结果表明:该方法不但能够定量评价舰船目标数据集的均衡完备性能,而且还可以定性给出改进舰船目标数据集均衡完备性能的方向。（3）设计并实现了一套目标数据集辅助构建原型系统。该系统包含数据处理与生成、数据集分析评价、数据集辅助构建三个模块,可以为实际工程应用中自建目标数据集、评价目标数据集、优化目标数据集提供支持。