船舶是海上常用的交通与军事工具,实现海上船舶的自动识别对民事与军用都有很大的意义。近些年,随着光学卫星图像质量的逐步提高与卷积神经网络技术在图像分类与目标识别领域的成功应用,基于光学卫星图像的海上船舶识别问题逐渐引起了众多研究人员的关注。本文主要围绕雾天环境下光学卫星图像中的船舶识别问题,展开了从图像去雾预处理到船舶图像分类再到船舶目标识别的系列相关研究,主要研究内容概述如下:(1)基于暗通道去雾法的光学卫星图像去雾化预处理。光学卫星图像易受天气影响,特别是雾天环境会导致图像中的可识别目标模糊,从而降低识别的准确性。本文基于暗通道去雾法基本原理,在验证光学卫星图像满足暗通道先验规则的基础上,对雾化图像进行去雾预处理,从而尽力排除雾天环境的影响。(2)在船舶图像分类问题中,针对PCA网络(Principal Component Analysis Network,PCANet)识别过程不连续的问题,本文提出端对端PCANet,通过引入空间金字塔池化层与全连接网络层提高PCANet的整体性。在不同的测试集下,将本文提出的端对端PCANet与其他分类算法进行对比,实验结果证明端对端PCANet在提高分类准确度的同时也具有较好的抗干扰能力。(3)在船舶识别方面,本文通过合并不同层的卷积特征图改进区域推荐网络(Region Proposal Network,RPN)。以RPN网络作为区域推荐网络,端对端PCANet作为分类网络,将两者进行融合得到最终的网络模型。将该模型与常用的目标识别算法在不同测试集上进行对比,实验结果说明本文提出的船舶识别算法,能够有效地识别雾天环境下光学卫星图像中的船舶目标。