随着星载雷达逐步地发展,载有高分辨率合成孔径雷达（Synthetic Aperture Radar SAR）卫星日益增多,这使得超高分辨率的SAR图像数据越来越丰富,并且在海洋运输流逐步扩大、海洋周边环境逐步复杂、大型港口与自贸区骈兴错出的今天,对于海面船舶目标和港口内船舶目标SAR卫星依靠全天时、全天候的优势,在极大范围目标检测的情况下有着广阔的应用前景。将SAR图像应用于船舶目标检测,也成为了遥感领域的一个重要研究方向。在实际情况,现有SAR图像船舶目标检测算法多依靠人工干预,效率较低且应用难,因此,提高SAR图像船舶目标检测算法自动检测能力,是近年来各国研究的热点。本文为提高SAR图像船舶目标的诠释效率,降低人工干预目的,采用深度学习算法中Faster R-CNN为主体框架通过对SAR图像进行特异性改进。本文对SAR图像船舶检测的主要内容如下:1.通过对SAR成像特点进行分析,将SAR图像与传统光学图像进行比较,SAR图像相对于光学图像具有全天时、全天候的优势;通过对SAR图像成像机理进行分析得出其易受相干斑噪声的影响。对SAR图像产生的相干斑噪声模型与统计特性加以分析,结合现有的相干斑噪声滤波方式,对SAR船舶数据集进行预处理,并同未处理的检测结果进行比较,结果表明该算法对数据集进行预处理的检测结果的准确率有所提升;2.原始的深度学习算法Faster R-CNN针对传统光学图像,目标占比适中,且图像信息丰富具有多个波段的灰度信息,便于特征提取网络的提取,将其直接应用于SAR图像船舶目标检测,结果很不理想。图像信息简单,并无色彩等丰富的信息数据,原始的VGG16特征提取网络层深较浅并不能很好的提取图像信息。改进后的算法将特征提取网络加深采用Res Net101使得特征提取能力得以加强。通过实验验证改进后算法的准确率较改进前准确率显著提升;3.由于在高分辨率的星载SAR图像中星载雷达位置与海平面距离极远,导致船舶图像在SAR图像中占比较小,针对SAR船舶目标占比较小的问题,对算法的区域建议网络部分进行改进利用K均值聚类算法改进预设锚点框的值,并且在区域建议网络中引入对小目标较为敏感的感兴趣区域（Region of Interest Align,Ro I Align）。对于上述改进,本文分别对改进前与改进后的算法进行了实验对比,实验结果表明,改进后的算法准确率均有所提升。