可见光遥感图像舰船目标检测在民用和军事领域都具有重要意义。本文以大幅面高分辨率可见光遥感图像为研究对象,开展星载舰船目标检测系统设计。星载舰船目标检测系统面临算法精度与速度矛盾、资源需求与供给矛盾,针对上述问题,本文从算法设计、部署优化、硬件设计等方面开展研究,本文主要工作如下:算法设计方面,针对遥感图像面临的复杂环境干扰与目标特性变化导致的舰船目标检测任务高虚警与高漏检问题,本文提出基于全卷积神经网络的单阶段舰船目标检测方法,极大地提高了复杂场景下的舰船目标检测算法性能。针对卷积神经网络模型对计算、存储资源需求巨大导致难以处理大幅面遥感图像的问题,提出使用深度可分离卷积与“学习降采样”模块对舰船检测模型特征提取网络进行轻量化优化。优化后的模型相比基准模型计算量压缩49倍,参数量压缩37倍,模型精度损失仅为6%。本文设计的算法在精度与速度之间取得了较好的平衡。部署优化方面,使用浮点数进行存储与计算的舰船检测模型推理计算时需要大量的硬件资源,难以部署至资源受限的嵌入式设备上。本文采用基于“量化感知训练”的模型整型量化方法以及基于计算图优化的算子合并方法,降低模型推理过程中对计算、存储资源的需求。面向嵌入式部署优化后的模型在精度损失小于1%的情况下,模型文件大小压缩53%。硬件设计方面,本文基于异构多核处理器以及卷积神经网络推理单元,设计了面向卷积神经网络推理计算的硬件系统,研制了紧凑、低功耗、高计算资源与高存储带宽的图像处理模件,克服了星载处理机体积、质量与功耗约束。本文设计了基于卷积神经网络推理单元的计算架构与应用软件,开展了系统软硬件测试与验证,实验结果表明:本文设计的舰船目标检测系统对于4096×4096像素的遥感图像,处理速度可达4帧/秒。本文验证了星载舰船目标检测系统可行性,为后续工作奠定了技术基础。