基于遥感图像与深度学习方法实现海面目标智能化检测,对于完善国家海洋监管体系具有重大意义。目前海面目标检测以舰船检测为主体,主要存在以下问题:（1）遥感海面舰船数据较为缺乏。（2）由于遥感图像成像距离远,部分舰船目标尺度小、像素占比低进而导致检测效果较差。（3）由于舰船目标具有多变性,导致复杂海陆背景下易出现虚警和漏检。（4）受成像方式的影响,图像中舰船分布具有稀疏性。鉴于此,本文基于实例分割方法对遥感海面舰船目标检测展开研究。主要研究内容如下:1.针对舰船数据样本缺乏与遥感图像中小目标特征含量少导致检测效果较差的问题,论文首先参照通用数据集MS COCO建立了一个细粒度遥感海面舰船目标数据集,为后续研究提供有力的数据支撑。然后结合MS COCO与自建数据集对小目标检测问题展开分析,提出一种实例级遥感小目标数据增强方法,用于增加数据集中小目标的特征含量,改善小目标检测效果。最后通过小目标数据增强实验证明了该方法的有效性。2.针对遥感海面舰船目标检测过程中存在的小目标检测难、复杂背景干扰、目标分布稀疏等问题,提出一种基于递归特征的两阶段舰船实例分割算法。算法以Mask R-CNN为基准,首先设计了递归特征自适应融合网络强化模型特征提取能力,提升模型对小目标特征的敏感度。其次设计了全局上下文特征增强结构,加强模型对目标与环境关联性的理解,提升算法在复杂背景下精准定位目标的能力。最后引入Focal Loss优化分类损失,改善因目标分布稀疏加重的样本不平衡现象。引入CIOU Loss改进回归损失,进一步提高舰船检测准确率。经实验验证,该算法在海面舰船目标的检测上取得了良好的效果,具备有效性和可行性。3.针对两阶段算法性能受限于Anchor机制以及推理效率存在不足的问题,本文基于递归特征自适应融合网络提出一种Anchor-free的单阶段舰船实例分割算法。算法以PolarMask为基准,首先对递归特征自适应融合网络进行修改,降低了计算量,并将修改后的网络作为PolarMask的主干网络,强化模型的特征提取能力。其次设计了特征平衡子网,利用深度整合的均衡语义特征平衡各级特征图中的低、高级特征,提高模型对舰船尺度与形状特征的敏感度。最后设计了边缘监督子网,在不影响推理效率的同时改善由目标形状不规则导致掩膜分割结果存在边缘模糊影响检测精度的问题,进一步提高模型精度。实验结果表明,该算法在进行舰船目标检测时能较好地兼顾精度与效率,具备有效性和可行性。