我国领海辽阔,海洋资源丰富。舰船作为海洋活动的主体,实现舰船目标的准确识别对于海洋强国建设至关重要。目前,舰船目标数据的采集方式多样,主要有星载、机载、无人机载、舰载、船载和岸基等,不同采集方式所获得的图像数据之间存在一定差异;利用某一平台图像数据得到的舰船目标深度识别网络无法直接应用到其他平台,这是由于平台之间存在观测视角和图片分辨率等多种差异。因此,本文重点开展了基于深度迁移学习的舰船目标识别问题研究,主要完成工作如下:（1）提出了一种基于人在回路的改进CDAN深度迁移学习方法。首先,在条件对抗领域自适应（Conditional Adversarial Domain Adaptation,CDAN）方法的目标域数据伪标签预测和生成环节,引入人在回路机制,通过利用我们研制的标签修正工具软件,实现对目标域数据伪标签高效便捷的人工审核和校正,从而有效解决了因伪标签预测错误造成深度网络性能下降问题;其次,在CDAN方法的特征提取模块,添加聚合变换方法,实现特征提取能力提升,为有效提高领域自适应性能提供支持;最后,在CDAN方法的领域自适应模块,添加一个新的特征建模层,实现对领域特有特征建模,从而有效解决了领域特有特征对迁移过程造成的负迁移影响问题。（2）通过大量对比实验分析,验证了本文方法的有效性。首先,在公开数据集Office-31上,本文方法相较CDAN方法,平均识别准确率提升了1.5%;第二,在公开数据集Office-Home上,本文方法相较CDAN方法,平均识别准确率提升了3.2%;第三,在自建舰船目标数据集上,本文方法相较CDAN方法,平均识别准确率提升了5.1%;最后,同时在公开和自建数据集上,本文方法相较于包含CDAN方法在内的其他六种深度迁移学习方法,本文方法实现了最优的整体深度迁移网络性能。（3）完成上述理论研究和实验验证后,综合利用Python、Py Qt等开发工具,设计并实现了一个基于深度迁移学习的舰船目标识别原型平台。该平台具有标签修正工具、正视视角迁移到斜视视角的舰船目标识别等功能。