红外遥感信息采集系统具有昼夜侦测、监控面积广、隐蔽性强等优点,已经成为了海域安全监测研究的重点。海面背景下的舰船目标检测一直都是红外遥感探测领域的难题。现如今,深度学习在目标检测方法中的运用越来越广泛,对红外遥感图像进行舰船检测已经取得一定的进展。然而,现有的深度学习舰船检测算法存在模型复杂、难以工程化,且大多模型仅依靠单一分辨率图像导致检测性能瓶颈等问题,本文针对这些问题展开研究,主要工作包括以下几个方面:本文设计了一种基于知识蒸馏学习的红外舰船检测算法,该算法结合了传统的形态学引导方法进而达到速度快和精度高的双重优势。此外,利用知识蒸馏技术对所提出的算法模型进行压缩,从而使得深度模型轻量化和高效化,解决了先前复杂算法不利于工程实现的问题。在真实红外遥感图像数据集上进行的实验结果表明,该方法的平均检测精度比Yolov3和Faster R-CNN分别提升了5.82%和1.91%,且在算法运行速度方面每秒帧数分别提高了0.62帧/s和1.05帧/s,充分表明该算法的实时性和高效性。本文提出了一种以多分辨率并行输入式架构的端到端红外舰船检测算法,有效地解决了过去检测网络仅依靠单一来源及分辨率输入导致图像特征信息未能充分利用的问题。该算法创新性的通过多头网络结构在统一框架下联合学习检测多源图像,其优势在于能够丰富地接收不同模式和分辨率的多维信息输入,进而对检测性能起到增益作用。在红外遥感图像数据集上进行的实验结果表明,该方法的平均检测精度比OtsuThresh算法和Yolov3分别提升了13.69%和4.23%,同时在噪声抑制方面效果更佳。本文实现了红外舰船检测系统,首先策划系统的应用方案与设计方案,结合Vivado HLS开发工具,完成本文所设计算法的IP核。然后,对IP核进行验证后,在Vivado开发工具上完成检测系统的搭建并移植到硬件平台。最终,完成所设计的算法在Zynq平台上的部署,并且根据需求指标对系统的精度、速度和功耗进行了测试与分析。