近年来,随着卫星遥感技术和深度学习技术的快速发展,基于深度学习方法对遥感图像中的特定目标进行检测逐步成为当前的研究热点。我国拥有广袤的海域和许多重要的港口,开展海面目标检测无论在军事上还是在民用上都有着非常重要的价值和意义,例如渔业管理、港口交通服务、海上巡逻等。本文主要目标是在复杂海洋环境以及各种云雾天气的干扰情况下,依托现有的深度神经网络方法,研究海面遥感舰船图像处理的分类与定位不准确问题。主要工作如下:（1）研究并分析了当前主流的目标检测算法,并将目前主流的目标检测算法进行分类与总结。由于基于锚框机制的目标检测算法存在需要预设anchor的限制,从而会导致检测速度过慢,故而选取实时性更好的关键点算法,来对复杂海况下的各类舰船进行检测。（2）针对CenterNet算法参数量过大和网络过深导致推理速度过慢的问题,我们对其原有骨干网络进行了改进,通过改变Res Net-50中残差块的升维和降维顺序,然后引入深度可分离卷积来取代普通卷积,以达到减少参数量以及加快检测速度的目的。此外,我们还将原本用于上采样的反卷积替换为可形变卷积,以进一步提高网络的拟合能力。通过改进原CenterNet算法,我们大大提升了模型的拟合能力和检测精度,实验结果表明,与原有方法比较,改进后的方法平均准确度提升了4.36%,而且处理图片速度的Fps值也提升了14。（3）针对海面舰船会遇到云雾遮挡严重、海浪过大以及舰船排列密集等情况,同时由于原有特征提取网络对遥感舰船图像信息提取的不足,最终造成检测器识别率低的问题,本文将原来的Res Net-50网络进行一个并联操作,以此来提取出更多有用的特征信息,从而得到一个性能更加强大的主干网络,除此之外,为了增强遥感目标特征在通道和空间维度上的相关性,引入了CBAM注意力机制,得到改进后的D-CenterNet算法。实验证明,改进后D-CenterNet检测算法,在比较复杂的海况条件下,对本课题使用数据集中标注的舰船进行检测,平均准确率达到了92.22%,极大的提升了检测器的精度。