海上目标智能检测及识别是海战场态势评估和威胁估计的基础,光学遥感图像海面舰船目标智能检测与识别的核心任务是判断图像中是否存在舰船目标,并对舰船目标进行检测、识别和定位,它在渔业管理、海上救援、海域交通监控以及海战场态势感知等领域具有广阔的应用前景。然而,由于航空图像数据量大且易受海面情况、天气条件、光照条件及成像探测器参数等多种因素的影响,海面上存在雾气、海杂波、云层等自然环境的干扰,使得图像画面模糊不清,图像的信噪比很低,海面环境干扰的时变性也给背景噪声的抑制带来困难,环境干扰容易造成舰船目标的虚警和漏检;航空图像的拍摄距离远,目标只占整幅图像的很小部分,识别尺度小、特征少的海面舰船目标存在困难;不同拍摄视角、不同的拍摄距离、不同舰船朝向使得航空图像中的舰船目标存在尺度多变性和旋转多变性,对检测识别结果的准确率有较大影响。论文针对机载光电侦察系统在工作过程中依赖操作手根据显示图像人工判读舰船目标,导致判读速度慢,易受主观因素影响的现状,以提高海面侦察情报处理的智能化水平为目标,围绕光学遥感图像中的舰船目标智能检测与识别问题,开展舰船目标特征提取、特征融合、目标检测识别等关键技术研究,实现对海面舰船目标高精度检测与识别,提高舰船识别概率及准确率,为海上目标态势感知提供依据,本文的主要研究内容如下:1.为了提高遥感图像中舰船目标检测识别的准确率,进行数据预处理方法研究。航空侦察所获得舰船图像数据有限,采用仿射变换改变卫星遥感图像中舰船目标视角,弥补军用场景下航空舰船目标样本不足的问题,提高舰船检测识别的准确率;大气吸收和散射影响光学系统获取的遥感图像的对比度和清晰度,采用基于暗通道先验的理论对海面场景下的遥感图像进行大气校正,降低了大气中水汽和颗粒对光线的吸收和散射对遥感图像质量的影响,进一步提高了遥感图像中舰船目标检测识别的准确率。2.为了提高单阶段目标检测器对于舰船目标检测与识别的准确率,提出了一种改进YOLOv3模型的舰船目标检测识别算法,对于舰船目标检测识别中目标尺寸小、尺度变化大的问题,改进了IOU阈值的设计,提高了舰船目标检测的召回率;对于舰船目标在图像中姿态变化大的特点,采用多图像混合数据增强和舰船目标角度均衡分布方法对模型进一步优化,有效地提高了舰船目标检测识别的精度。经过实验验证,该算法对舰船目标的检测识别取得了很好的效果。3.基于卷积特征融合的遥感图像中舰船目标检测识别的网络模型研究。为了提高对多尺度舰船目标检测识别的准确率,设计了卷积特征融合的目标检测识别网络结构,通过卷积神经网络中不同层次特征图的融合,联合了网络深层的语义信息与网络浅层的细粒度信息,并且将多个尺度的融合特征图用于舰船目标检测和识别,提高了对大、中、小不同尺度的舰船检测识别的适应性;进一步结合锚框设计,提高了舰船目标检测识别准确率,尤其增强了遥感图像中远距离拍摄时的小尺度舰船目标的检测识别效果;为了提高模型的实时性,采用剪枝策略对模型进行压缩,降低了模型所需的存储空间,提高了模型的检测速度。综上所述,论文对光学遥感图像海面舰船目标智能检测与识别中存在的难点进行分析,对相关理论进行了研究,基于深度学习的卷积神经网络模型,搭建了适用于海面舰船目标检测识别的深度学习框架,取得了一定的研究成果。论文的研究成果为光学遥感图像中的舰船目标智能检测与识别技术提供了理论基础,具有借鉴意义。