海上船只检测是海事活动监测与管理的重要内容,在军事、民生、经济等领域研究意义重大。传统的船只检测一般采用人工目视方式,该方法成本高、效率低。以星载、机载、无人机遥感影像为数据源的船只目标智能识别方法已取得一定的成果,但在船只数据集构建方式以及船只检测的有效波段选取有待深入研究。为实现船只目标的高效、精准检测,本文基于样本细分原则和方差分析方法重点研究了数据集细分以及波段筛选基础上的深度学习船只检测精度提升问题。主要内容与结果包括:（1）基于无人机影像的船只数据集构建与船只目标属性特征分析。采用无人机在辽宁葫芦岛邴家湾、葫芦岛港、兴城码头等地进行了近海船只图像数据的获取,依据《中华人民共和国船舶行业标准》GB/T14-2011中的船只分类标准,将获取船只分类为4号类船只（客船、客货船、货船、游艇）、8号类船只（渔类船、农用船）以及0号类船只（其他）。对船只原始数据进行旋转、剪裁、增广等预处理,并进行了船只图像的船首、材质、甲板、长宽比四项特征统计。在4号类船只中,船首特征多以尖形船首为主,材质均为钢制船只,客舱或货舱占甲板比例较大,船只多呈细长形状;在8号类船只中,船首形状主要分为弧形、尖形以及平船首,材质为木制与钢制2种,舱室占比较小或无舱室且甲板中多放有各类不规则排列渔具,船体相对略宽;0号类船只中,船首形状以尖形与平船首为主,材质均为橡胶制,甲板上无舱室且甲板空间较小,长宽比约为2.3:1左右。（2）基于数据集细分的船只检测。在原始数据集基础上建立细分数据集,实现数据集的二级以及三级细分,训练神经网络模型,对比不同分类方式间的检测精度。结果表明:通过某些特定特征对同一类船只进一步分为2种或2种以上亚类（二级细分）,可提升神经网络模型的精准度,避免检测时各类船只之间的混淆、漏检现象,船只检测准确率由90.41%提升至95.24%。（3）基于波段筛选的船只检测。将船只图像进行单波段影像分离,研究目标-背景差异对检测结果的影响,随机选取部分单波段样本进行目标与背景之间的灰度差值绝对值统计即目标-背景差异统计,统计结果分别为B波段26.83912、G波段15.18459、R波段53.22767,并获取R、G、B不同波段条件下,船只目标检测的准确率,分别为B波段80.83%、G波段81.67%以及R波段89.17%。其中R波段影像目标-背景差异最大且检测精度最高。研究结果表明,船只长宽等参数可作为船只检测的有效参数,对原始数据集依据长宽比进行二级细分的船只检测方法可有效避免船只之间检测混淆以及漏检问题,船只检测准确率得以有效提升;波段筛选方法有利于船只目标边缘特征提取,目标-背景差异大的波段影像更宜于船只目标的检测。