近年来随着卫星遥感技术和深度学习技术的不断发展与进步,基于深度学习的光学遥感图像目标检测已经在很多领域得到了广泛的应用。当需要进行海面目标的搜索检测和识别时,由于卫星遥感图像的获取成本非常高,以致于遥感海面目标图像的样本很稀少,不足以提供充足的样本图像进行学习和训练。因此,为了获得更多的海面目标图像样本,本文基于生成式对抗网络(简称GAN),重点研究遥感海面目标图像的生成方法(海面目标以舰船为例)。主要研究内容如下:1.研究和改进了深度卷积生成式对抗网络(简称DCGAN)。为了提高生成遥感海面目标的图像质量,针对现有的生成图像样本模糊、模式崩溃等问题,基于WGAN中Wasserstein距离对原始深度卷积生成对抗网络损失函数进行了改进,并通过引入残差网络Resnet,改进了生成器结构。2.在少样本条件下,提出了基于条件背景的生成式对抗网络(简称为条件GAN)。由于深度卷积生成式对抗网络依赖于大量的高质量训练样本,本文提出的条件生成式对抗网络可以在少样本情况下生成高分辨率、高质量的遥感舰船图像,主要工作体现在:(1)将机器翻译、计算机视觉中的注意力机制引入到生成式对抗网络中,学习样本中特定目标的特征,忽略非目标的特征,减少对样本数量的依赖;(2)通过一种条件掩码的颜色值来控制生成舰船的类别;(3)为了在生成舰船时尽可能还原海面背景,使用U-net网络作为生成器;(4)生成式对抗网络的损失项中加入L1正则化损失,使得生成图像的细节更加逼真;(5)通过主观、客观两种评价方式,评价所生成的样本图像质量。综上所述,本文通过改进DCGAN,使得生成的遥感海面目标样本图像更加清晰,同时减少了模式崩溃情况的发生;提出的基于条件背景的生成式对抗网络,可用于生成大量的、高质量的遥感海面目标图像,解决了遥感图像样本过少、难以支撑样本训练的问题。