近年来,遥感成像技术和深度学习方法得到了快速发展,在遥感图像的智能处理和解译领域,深度学习已经展现出了巨大的潜力。数量充足和标注精确的训练数据是提高深度学习算法性能的主要驱动因素之一。然而,在某些非合作场景下,遥感图像数据的稀缺往往会导致深度学习模型性能低下。基于成像仿真技术搭建的仿真框架可以灵活便捷地生成大量图像数据,因此本文针对遥感舰船图像分类任务当中存在的真实图像数据稀缺问题,开展借助仿真舰船图像实现遥感舰船数据扩增方法的研究和应用。由于仿真舰船图像无法模拟真实舰船图像的全部细节特征,因此需要针对仿真舰船图像应用于遥感舰船数据扩增的可行性进行分析研究。本文提出了一种将仿真图像作为训练样本的数据扩增方法。该方法通过搭建海面场景下典型舰船目标的仿真框架构造仿真舰船图像数据集,与少量真实舰船图像构成混合数据集,并将其作为神经网络的训练数据,开展分类模型的迭代训练。实验结果表明,相较于主流的数据扩增方法,该方法能够将遥感舰船图像分类模型的精度进一步提高1%～2%,充分验证了该方法的有效性,同时也说明了仿真图像应用于遥感舰船数据扩增的可行性。针对仿真舰船图像与真实舰船图像在风格特征层面存在域差异的问题,本文提出了一种基于仿真图像和风格迁移网络的渐进式数据扩增方法。该方法利用改进后的风格迁移网络实现了仿真舰船图像到真实舰船图像的风格特征对齐,进而将迁移后的舰船图像与少量真实舰船图像构成混合数据集,并作为神经网络分类模型的训练数据进行迭代训练。实验结果表明,相较于主流的数据扩增方法和本文提出基于仿真图像的数据扩增方法,该方法能够将遥感舰船图像分类模型的精度进一步提高2%～3%,充分验证了该方法的有效性,同时指明了基于仿真图像对深度学习模型进行数据扩增的研究方向。最后,结合数据安全性和技术自主性的实际需求,将遥感舰船图像分类算法和本文提出的渐进式数据扩增方法在国产AI芯片寒武纪MLU220进行了模型剪枝、移植和部署,搭建了基于寒武纪MLU220的遥感舰船数据扩增与图像分类系统,对系统的整体性能指标和稳定性进行了测试与分析,结果表明整个系统运行良好,遥感舰船图像分类准确率达86.58%,实时处理帧率可达32帧,满足实时运行要求。