随着航天技术的飞速发展,卫星遥感成像已经成为空间对地观测的主要技术手段和数据来源,借助卫星等空间平台,我们能够利用高分辨率光学遥感图像根据不同任务需求完成对海洋的监测。同时,光学遥感图像的成像分辨率的不断提高也带来了丰富的纹理细节数据和复杂的无用信息等干扰,导致传统目标检测方法下的舰船检测略显乏力。因此,本文将深度学习理论引入舰船目标检测,提出了基于深度学习的遥感图像检测方法,并针对遥感图像中的舰船小目标检测任务进行改进和优化,其论文的主要内容如下:首先,本论文针对传统的舰船目标检测算法存在诸如候选区域冗余、特征鲁棒性差、检测准确性低、抵抗复杂背景干扰的能力较差等弊端,本文将深度学习理论引入遥感图像的舰船目标检测任务中,采用Pytorch深度学习框架对基于回归方法的单步检测模型YOLO进行构建,并建立了用于目标检测模型训练和测试的光学遥感图像数据集。接着,论文为解决卫星光学遥感图像背景信息复杂且成像易受电干扰等问题,提出了图像预处理策略,利用一系列滤波降噪、目标增强以及云雾处理的方法提升遥感图像的质量,以此获得更好的检测效果。经实验测试,检测模型具有较高的舰船目标检测精度,达到了预期的检测水平。最后,针对YOLO模型少量的小目标漏检,本文提出了构造新的能够输出4倍特征图的特征融合目标检测层的优化方案以提取更多小目标特征信息,从而获得了针对遥感舰船目标的检测性能更强的检测模型,同时,采用TX2计算终端对舰船目标检测系统进行硬件优化,实现了检测模型对舰船检测速度的提升。