遥感图像检测目标检测广泛应用与海上交通管制,渔业管理,非法舰船定位等领域。深度学习自然图像物体检测性能优越。遥感图像与自然图像共享大量底层的图像特性。本文迁移学习深度学习目标检测网络,利用深度特征预测舰船方向和宽度属性,调整窗口,并利用奇异值分解对模型进行压缩。首先,本文迁移学习自然图像上预训练好的目标检测模型,结合少量遥感标签数据,训练舰船检测框架。实验表明,迁移学习方法达到87.9%平均精度(Average Precision,AP)的舰船检测性能。在NVIDIA TITAN X上,速度达到47帧每秒(Frame Per Second,FPS)。针对舰船检测框架的不足,本文提出了基于深度特征的半监督方法,训练舰船方向和宽度属性模型。该方法使用传统方法对舰船方向和宽度标签预学习,结合迁移学习深度特征容错训练属性预测模型。实验表明,基于舰船方向和宽度属性预测结果调整目标窗口,舰船检测精度提高1%。深度网络计算密集,存储密集。本文结合当前深度网络模型压缩思想,提出了奇异值分解策略,将标准卷积层分解成多组深度可分卷积层累加的结构,在不需要训练数据的情况下,减小模型参数和计算量。实验表明,基于模型压缩策略,在不需要训练数据的情况下,舰船目标检测框架在检测精度AP下降1.1%的情况下,模型参数变为原模型的0.573,计算量变为原来的0.660,压缩后模型检测速度达57 FPS。