利用光学遥感影像有效地检测近岸舰船目标并进行细粒度识别,在军事和民用领域都有着广泛的应用前景。在近岸背景下的舰船目标检测方面,由于陆地背景干扰、海杂波干扰、舰船停靠朝向任意、排列紧密等因素的影响,增大了舰船目标检测的难度;在舰船目标细粒度识别方面,舰船类间差异小,同时标注数据集稀少,增加了舰船细粒度识别的挑战性。基于深度学习的目标检测与识别方法在计算机视觉领域表现优异,但关于基于深度学习的近岸舰船目标检测与细粒度识别的研究还较少。论文以遥感影像中近岸舰船目标为研究对象,在精确检测、细粒度识别、检测与细粒度识别一体化方面做了一系列工作,获得了一些有理论意义和参考价值的成果。论文的主要工作如下:针对近岸舰船目标检测中漏检率高的问题,提出了基于实例分割和特征解耦的舰船目标检测算法。通过设计自适应特征金字塔模块和边界解耦模块,增强了语义分割网络的判别能力;利用双分支预测模块,可以更精确预测舰船与舰船中心点;通过精确预测的舰船中心点对舰船目标进行实例分离,提高了检测召回率。实验结果表明,所提算法实现了像素级的检测精度,有效提高了近岸舰船目标的检测率。针对舰船目标外观相似、特征差异小难以有效区分的问题,提出了基于注意力机制与多级视觉特征融合的舰船细粒度识别算法。设计局部注意力模块获取判别性强的局部细节特征;构建多级视觉提取与融合模块,将局部注意力扩展到多级特征表达上,增强了特征的类别判别能力;利用梯度增强损失函数,专注于易混淆负类,进一步提升网络的识别性能。在自建舰船细粒度识别数据集上进行了仿真验证,算法准确率达94.9%,与其他算法相比,该算法具有更高的细粒度识别准确率。为提升近岸舰船目标检测与细粒度识别任务的工程实用性,提出了一种基于旋转框的近岸舰船目标检测与细粒度识别一体化算法框架。设计了上下文注意力增强模块,提高了网络对目标的关注度;采用旋转等变网络、局部长旋转不变性池化模块,实现对舰船目标的精确定位和局部细粒度特征的抽取;通过注意力机制指导,实现了全局和局部区域特征的有效融合;通过设计解耦模块,克服了检测与识别共享特征冲突的问题。实验结果表明,该算法有效提高了近岸舰船目标检测与识别的准确率。