SAR船舶目标检测被广泛用于我国的军事与民用领域。为了解决光学雷达被动式成像的目标物在光照不足或气候恶劣情况下无法被雷达获取成像的问题,专家学者们提出利用主动式的合成式孔径雷达（Synthetic Aperture Radar,SAR）来获取雷达图像。一方面SAR图像由于自身成像机制,携带大量斑点噪声,同时复杂的海域背景,较小的目标区域均增加了SAR图像目标检测的难度,如何更好的从图像中提高小尺度目标检测精度以及对困难样本进行特征提取是SAR船舶图像目标检测的重要问题;另一方面,在军事与海上救援的过程中,时间就是生命,如何更快的锁定目标是目标检测另一个重要研究方向。本文针对以上问题,借助当前卷积网络在图像目标检测领域所展现的优势,在基于MMDetection与YOLO框架中提出了复杂场景下深度表示的两种SAR船舶目标检测算法,并进行实验验证,获得较好的船舶目标检测效果。针对SAR图像特征有效提取的问题,提出一种SAR船舶目标检测算法。该算法在MMDetection目标检测框架基础上,通过将Libra R-CNN网络与NAS-FPN特征提取网络相结合,借助NAS-FPN网络的特征提取能力,并利用Libra R-CNN网络来解决训练过程中的不平衡导致模型潜力无法充分发挥的问题,提高了SAR船舶图像的目标检测精度。针对SAR图像小尺度目标检测精度与其检测速度问题,提出一种基于YOLO（You Only Look Once）改进的船舶图像小尺度目标检测算法,通过对以前的YOLO系列目标检测算法进行分析,在YOLOv5的基础上通过改进其原有网络结构并在卷积层中更新激活函数的方式来获得检测性能的提升。最后,针对两种改进模型分别在中科院发布的SAR-Ship-Dataset数据集中进行了实验验证,通过与其他SAR船舶目标检测模型对比,本文算法较好的提升了SAR图像小尺度目标检测精度与检测速度。