在航海领域中,海上船舶态势感知一直是航海安全保障研究工作中非常重要的研究方向。为了更有效地保障海上航行安全,传统的海上航行安全保障方法通常依靠指挥人员在AIS、雷达、遥感图像等辅助下进行海况判断。然而,对于人工监视和解释决策的依赖意味着如果船员过度疲劳或者缺少工作经验则会严重危及航行安全。随着模式识别和智能信息处理技术的快速发展,它们在航海安全领域上得到了广泛的应用,其中通过基于深度学习的计算机视觉场景解析技术解译遥感图像数据,在实现诸如船舶检测、海陆分割、航向预测等海上船舶态势感知任务上起到了关键性作用。但是现有工作中对于不同海上船舶态势感知任务通常是采用不同的模型算法来单一地完成其相应的任务,那么要形成一个统一、全局的海上态势图就需要使用多个模型,存在三点不足之处:第一,目前不同的海上船舶态势感知任务是独立完成的,没有考虑到这些相关任务之间的隐含信息的共享性,从而无法进一步提升模型预测效果;第二,不同模型算法完成不同任务,当需要同时进行多个任务时就会产生过多的计算量及内存占用,这就需要配备高额成本设备;第三,当我们需要重新训练模型时就需要对多个模型进行单独的重新训练,这就需要过多的训练流程。为了解决上述问题,本文基于多任务学习方法提出一个端到端的全景海上船舶态势感知网络:PMSSANet,该网络实现了船舶检测、海陆分割的联合训练及预测。而且我们还在船舶检测分支进行了航向预测的扩展并提出一种船舶航向点与定向边界框匹配方法,以较小的代价（即航向预测的准确率下降0.79%）实现了规避两者预测结果的冲突。为了进一步提升本方法的预测效果,我们基于船舶弱监督分割设计了一个置信度融合模块。然后我们创建了HRSC2016+和Kaggle Land Ship两个海上船舶态势感知遥感图像数据集用于本文方法的评估。实验结果表明,相比于独立任务,其中船舶检测预测效果有所提升（即m AP分别上升0.28%和2.81%）。同时我们还发现本文方法在使用不同的训练策略训练模型对各项任务的预测效果具有不同的优势。最后,我们进一步验证了本文方法相比于其他船舶检测及海陆分割方法能够保持较好性能的同时完成多项任务。文章在最后还介绍了全景海上船舶态势感知系统,其目的是让理论研究在航海安全领域中得到实际的应用。利用目前流行的软件开发技术实现系统平台将本文模型方法真正服务于需求用户。