高分辨率SAR图像的舰船检测是SAR图像解译的重点研究领域之一。传统的SAR图像舰船检测大多为基于像素强度信息、对背景杂波的建模、目标与背景间的对比度以及模板选择等极度依赖人工经验构建特征的方法，这些方法的可移植性及泛化能力都较差。随着星载SAR的快速发展，涌现出越来越多的高分辨率SAR图像，传统检测方法的局限性也日益显著。因此，本文首先搜集并制作了可用于深度学习算法训练和测试的大规模高分辨率SAR图像数据集HRSDS，然后提出了基于深度学习的高分辨率SAR图像舰船检测方法来弥补传统算法的不足之处，用自动学习到的层次化深度特征代替浅层人工特征，并对深度网络自身存在的一些问题进行了改进，在提升目标检测的精度的同时也提升了模型可移植性及泛化能力，本文主要研究内容如下：
　　(1)提出了一种基于全监督学习和FastR-CNN的高分辨率SAR图像舰船检测算法。本模型旨在使用深度学习模型代替传统模型更好地对数据进行拟合，同时平衡样本数量和深度网络层数之间的关系和降低检测的虚警率，获得性能更优、可移植度更高、泛化能力更强的目标检测器。在训练时引入难分样本挖掘策略对原始的FastR-CNN模型进行改进，在本文所搜集的HRSDS数据集上验证得出，通过对难分样本进行再学习可以获得更好的舰船检测性能。
　　(2)提出了一种基于弱监督学习和FastR-CNN的高分辨率SAR图像舰船检测算法。本模型旨在解决全监督的舰船检测任务中的样本目标级真值标签标注成本高的问题。本模型仅使用图像标注成本较低的图片级真值标签，结合无监督的过分割区域合并算法生成的候选区域，通过一系列策略逐步剔除低质量冗余候选区域，挖掘出高质量的候选区域并利用图像分割信息进行修正，将修正后的区域作为图像的目标级真值标签用于检测器的训练。并在HRSDS数据集上验证得出所提方法在大幅降低标注成本的同时也确保了挖掘出的目标级真值标签的质量，并且最小化了与全监督模式下所得的检测器性能间的差距，很好的权衡了标注成本与检测器性能间的关系。
　　(3)提出了一种基于海岸线分割的大尺度复杂场景的舰船检测算法。本模型旨在解决大尺度复杂场景高分辨率SAR图像在检测舰船时易受陆地虚警干扰的问题。本模型在舰船检测前先通过无监督的聚类算法和有监督的深度学习分类算法进行海陆分离，在超像素分割的基础上使用深度网络对超像素块进行类别预测，最终得到每个像素点的类标并提取出海岸线达到海陆分离的目的，在排除陆地部分的干扰后再进行舰船检测。在三幅不同场景的大尺度高分辨率SAR图像上验证得到此方法不仅有着高海陆分割精度，所得的海岸线能很好的契合真实海岸轮廓，并且从源头切断了陆地对检测器的不良影响，检测精度有很大程度的提升。