计算机视觉（Computer Vision,简称CV）领域的快速发展,促进了合成孔径雷达（Synthetic Aperture Radar,简称SAR）图像的智能化解译进程。而其中的深度学习方法（Deep Learning,简称DL）由于自身充分挖掘数据的先验信息能力而被广泛运用。当前很多深度学习的方法运用于SAR图像舰船目标检测任务中且均能取得不错的效果,但其中缺乏了很多关于深度学习的方法与SAR图像本身特点的结合,使得检测效果有待于进一步提升。针对SAR图像检测任务而言,舰船尺度差异大、小舰船目标居多、相干斑噪声与背景干扰严重等问题使得直接迁移使用深度学习检测方法还有待改进。此外,关于深度学习本身检测方法是否适合于SAR目标检测,涉及到的模型泛化能力、模型解码复杂性等具体问题,同样使其直接运用于SAR目标检测存在可实现的考量。本文针对这两方面存在的问题进行了详细探讨与验证,主要完成内容如下:（1）针对深度学习的检测方法运用于SAR图像舰船目标检测多存在的虚警和漏检等问题进行了改进。以YOLOv3（You Only Look Once v3）模型结构为基础,以重新聚类的锚框为基准,采用多尺度解码结构,融合可变形卷积的思想等,本文获得了一个性能提升的增强型YOLOv3模型,适用于多尺度舰船目标、小舰船目标检测等问题,在不同SAR检测数据集上均获得了比较好的效果。（2）针对深度学习的检测方法运用于SAR图像中泛化能力以及实际运用可行性的考虑。卷积神经网络（Convolutional Neural Network,简称CNN）具有很强的语义信息表达能力,而SAR图像舰船检测涉及到的定位问题反而弱化了语义表达。因此,本文提出了通过全卷积神经网络（Fully Convolutional Network,简称FCN）来实现SAR图像舰船检测分割一体化的方法,在获得检测结果的同时能够获得更加精细化的分割结果,且模型泛化能力极强,适用于其他未见过的SAR舰船检测数据集中。（3）针对实际运用可行性问题的探讨。从轻量化以及泛化能力两方面入手,本文在上述基础上提出了一个轻量化检测与分割一体化模型,该模型效果超过了当前优秀的单阶段检测算法YOLOv4,而模型大小仅为8.4M,是YOLOv4的1/30。