大幅面遥感图像中海面目标检测是海洋遥感技术的重要研究课题之一,快速精准的从遥感图像中检测出舰船目标,是目标检测领域的重要研究方向。然而遥感图像存在幅面广、干扰强、目标小的特点,如何有效提升遥感图像舰船检测算法在复杂场景下的抗干扰能力,提高准确率和召回率,是本文的主要研究内容。针对传统舰船检测算法在复杂场景遥感图像上存在高虚警、低识别率的问题,本文引入深度学习目标检测网络YOLOv3,在遥感舰船数据集进行训练、学习并预测不同背景下舰船目标的位置信息。针对现有网络在复杂场景下多目标检测时召回率低的问题,本文引入旋转目标检测方法,提出基于R-YOLO的舰船检测模型,通过重新定义旋转矩形的表现形式、设计新的损失函数和旋转IOU计算方式,精细化输出目标的真实长宽和轴向信息,在不增加计算量的同时,增加输出的特征维度,有效提升复杂场景下多目标检测的召回率。最后,为了提升算法在移动端的实用性,对模型进行轻量化处理,在保证检测精度的同时,大幅度压缩模型参数量。针对单源舰船检测算法难以抗云层、海杂波、岛礁、角反等干扰的问题,本文通过详细分析可见光、SAR遥感图像各自成像特性的优劣势,扬长避短,提出基于迁移学习的多源遥感图像融合检测算法。算法在分析不同迁移学习方式的基础上,提出基于迁移学习的联合检测算法,并利用决策级融合算法融合多模型输出的目标位置、长宽和轴向信息。实验结果表明,融合策略能够有效提升遥感图像目标检测的抗干扰能力,显著提升检测准确率和召回率。最后,通过大量对比实验,对本文所提的单模型检测性能、迁移学习训练方式和决策级融合检测性能进行分析,并在不同成像条件下对检测模型的适应性进行测试。最后在GPU开发板JetsonTX2上完成算法移植,同时在进行移植性能分析的基础上,提出tiny版本模型,进一步提升算法实时性。