图像目标检测是计算机视觉研究领域的研究热点之一,在医学影像、自动驾驶、安防监控、战场巡视、精确打击等军事/民用领域有着广泛的应用。近些年来,伴随着数据的驱动、深层神经网络的推动以及计算机算力的加持,针对图像的目标检测技术水平得到了快速的提升。不过在实际工程实践中,红外图像相较于可见光图像,其数据资源不够充分、成像纹理性、信息熵低,这些问题给基于红外图像的目标检测任务带来较大挑战。海面作为典型作战场景,不仅存在上述问题,而且由于不同视场条件下舰船目标的形态及尺寸变化比较大,因此海面场景下舰船目标的检测复杂性更甚。本文针对红外目标检测任务中存在的上述问题,面向机载光电侦察需求,以海面场景下舰船目标为研究对象,利用深度卷积神经网络框架,开展了红外舰船图像数据扩增、红外舰船目标检测、舰船目标关键点检测等算法研究,并通过对比试验验证了算法的有效性和可行性。论文的主要创新工作如下:1.采用循环保持对抗生成网络,将未配对的红外舰船数据,通过无监督学习,实现了红外仿真舰船数据到复杂环境下的红外真实数据的反演。具体操作上,为了使生成的图像不过多的受到目标域的影响,保持源域的一致性,采用嵌入残差连接的U型网络作为生成器,通过两对判别器和生成器,添加循环保持损失,实现红外舰船数据的迁移学习,达到数据扩增的目的。2.采用单阶段的目标检测框架,实现对红外舰船目标的检测。具体操作上,采用轻量级网络作为检测算法的主干网络提取图像特征,利用k均值聚类在训练数据集上选取合适的锚框,而后结合空间金字塔池化和特征倒置连接实现特征增强,输出三个尺度的特征图,进而实现检测框的回归及类别预测,完成对红外舰船目标的快速检测。3.采用双阶段的目标检测框架,实现对红外舰船目标的关键点检测。具体操作上,采用深度残差网络作为舰船关键点检测的主干网络,选取特征金字塔网络和空间注意力机制作为特征增强模块提升RPN网络实现感兴趣区域提取。在感兴趣区域下采样过程中,采用ROIAlign操作,减少了特征采样过程中的量化误差,从而实现了红外舰船目标关键点的精确检测。同时将舰船关键点采用高斯掩膜的输出方式完成预测,降低了复杂环境与图像标注的所产生的误差,提升了红外舰船目标的关键点定位准确性。