舰船是海上重要的监测目标,通过卫星遥感技术对舰船目标进行信息解译不论在海洋监视还是军事侦察领域都具有广泛应用前景。随着应用需求变化,不但要关注舰船目标的静态位置,更需要关注目标的状态和运动趋势信息。尾迹作为运动舰船的重要特征,可以估算舰船的运动参数信息,开展舰船尾迹检测并反演舰船运动信息的研究具有重要意义。论文研究了基于高分辨率光学遥感影像的舰船尾迹区域提取方法,并充分利用提取的尾迹区域细节信息进行舰船运动参数估计,初步仿真实验验证了方法的可行性,研究成果为海洋舰船目标的侦察监视奠定了理论基础。论文的主要工作如下:针对遥感影像舰船尾迹检测与舰船运动参数估计的需求,研究了舰船尾迹类型与成因,分析了舰船尾迹的多方面特性,构建了一个高分辨率光学遥感舰船尾迹数据集并进行了标注。为保障遥感舰船尾迹数据集的有效性、可用性,从不同干扰情况、不同尾迹强度以及不同尾迹方向等角度进行影像筛选和标注,使其更加科学合理的符合实际舰船尾迹情况,从而对后续尾迹检测算法的性能评估更加客观有效。针对常规尾迹检测方法难以有效提取舰船尾迹的问题,提出了一种基于Gabor特征与SVM的舰船尾迹检测方法。利用舰船尾迹与海杂波在纹理特征的差异性,构建了一个基于SVM的分类器,通过较少数据即可训练一个可用的分类器,实验结果表明,相较于常规方法,检测性能有了较好提升。针对光学影像舰船尾迹受海杂波、云层等干扰传统方法难以检测的问题,提出了一种改进的Mask R-CNN舰船尾迹检测方法。不同于传统的尾迹检测算法,Mask R-CNN模型是多目标多任务模型,在检测湍流尾迹和开尔文尾迹基础上,加入了舰船目标检测,并分割出实例目标。实验过程中,探究了不同深度的主干网络对实验结果的影响,并将实验结果与传统的舰船尾迹算法进行对比分析。实验结果表明,更深层次的主干网络能有效提升性能指标,Mask R-CNN模型在舰船目标、湍流尾迹目标以及开尔文尾迹目标的分割提取上展现出良好的性能。与传统方法对比,Mask R-CNN模型有很大的性能优势,且在各种复杂情况下展现出更好的抗干扰能力。针对单幅静态影像如何准确反演舰船运动信息的难题,研究了基于舰船尾流特征估算舰船运动参数的方法。充分利用提取到的舰船尾迹区域信息,通过湍流尾迹估算舰船航向参数,开尔文尾迹横波波长估算舰船航速参数,提供了一种端到端的高分辨率光学遥感影像舰船运动信息解译方案,初步实验结果证明了方法的可行性。