当前的光学遥感舰船检测主要使用以卷积神经网络为主的深度学习方法。然而大部分舰船检测任务中存在着对浅层特征利用不足的问题,使得网络提取的特征中关于舰船的表征能力下降,降低检测模型性能。本文主要围绕着增强对浅层特征的利用以及更好的结合浅层特征以及深层特征两方面进行研究,主要研究内容如下:（1）研究卷积神经网络提取的浅层特征以及深层特征,并对浅层特征进行分析。通过对VGGNet所有卷积层提取的特征进行可视化处理,发现位于网络浅层部分的卷积层提取的特征主要是边缘特征以及纹理特征,然后选取第一层卷积层提取的特征,与边缘特征和纹理特征进行结构相似度等的比较,发现边缘特征有着75.0%的最大结构相似度。结果表明,浅层特征中包含有较大成分的边缘特征,边缘特征一定程度上能代表浅层特征。（2）研究边缘特征,提出一个基于Sobel算子以及Canny算子的融合边缘特征预处理方法。该预处理方法通过二维高斯分布,对Sobel和Canny算子进行边缘特征加权融合,得到融合边缘特征,然后通过识别实验使用Alex Net对预处理方法进行检验。实验结果表明,预处理方法对于边缘特征具有一定的增强作用,并且可以提升识别网络的性能,最高的识别精度可以达到85.2%。该预处理方法解决了由于原始图像中的边缘信息不明显,在进入卷积神经网络之后可能会出现边缘特征提取不完整,甚至丢失的问题,并对边缘特征进行了增强。（3）研究舰船检测模型,提出一个改进YOLO V3模型。该改进模型加入了SE block,对网络提取的浅层特征以及深层特征进行特征通道上的加权分配,以及额外加入一层位于网络更浅处的卷积层,扩展了原有的特征金字塔网络结构。实验结果表明,相比于经典YOLO V3模型,改进YOLO V3模型取得了最好的检测效果,m AP最高为0.837,这说明改进模型有效增加了对浅层特征的利用,并且在检测过程中更好的结合了浅层特征与深层特征。