星载合成孔径雷达(Synthetic Aperture Radar,SAR)已成为海洋检测的主要手段。开展SAR图像船舶检测与分类对海洋渔业管理、海上交通管理、打击违法海面活动以及海上搜救等具有重要意义。深度学习可以自适应提取多层次、多尺度的深层特征并且检测和分类过程可以端到端实现。针对海上贸易、交通管理及海上安全的巨大应用需求,为了充分利用深度学习的优势,挖掘其在多尺度SAR图像船舶检测以及高分辨率SAR图像船舶细粒度分类方面的潜能,开展基于深度学习的SAR图像船舶检测与分类工作。主要研究内容和创新点包括:(1)针对多尺度SAR图像船舶检测问题,兼顾检测速度与精度,提出基于改进的YOLO V3的多尺度SAR图像船舶检测框架。应对遥感图像的多尺度特性,构建YOLO V3目标检测网络,设计多尺度特征预测单元,实现船舶的多尺度预测;扩充完善SAR图像船舶数据集,并基于大规模标签聚类优化网络中特征图的锚框,增加目标预测的定位准确度;应用计算量更小的主干网络提取基本特征,减少整幅SAR图像的检测时间。通过分析超参数对训练结果的影响,获得在测试集上的平均精度最高模型。在八幅不同分辨率SAR图像上的实验结果表明:1)在开阔海域,本文方法的检测率最高可以达到98.2%,在复杂海况的SAR图像中本文方法的检测率最高可以达到94.6%,2)基于优化的YOLO V3网络可以对多尺度船舶进行准确检测,3)与其他模型相比较,提出的方法提高了小尺寸船舶的检测率,并至少降低了4.5%的检测虚警。(2)针对高海况下SAR图像船舶检测问题,提出了基于多级特征金字塔网络的高海况的SAR图像船舶检测方法。在高海况条件下,海面产生的背景杂波增多,船舶目标与海面背景的对比度变低,这使得在高海况条件下SAR图像船舶目标检测成为难点。本文分析了高海况条件下SAR图像海面以及船舶的成像特点,设计多级特征金字塔网络,将多层次多尺度信息加入到预测模型中,有效对高海况SAR图像船舶目标建模。基于训练好的M2Det模型对测试图像进行全图检测,并与其他模型的检测结果进行比较。实验结果表明,本文算法在高海况SAR图像中可达90%的检测精度,虚警率低于10%。与其他算法相比,增加了高海况下小船舶目标的检测率,并且通过多层级多尺度特征融合有效减少了陆地虚警率。(3)针对高分辨率SAR图像船舶细粒度分类算法问题,提出了基于深度残差网络的高分辨率SAR图像船舶细粒度分类方法,包括入射角因子对分类结果的影响分析。构建多源高分辨率SAR图像商用船舶数据集,保持三大商船类别数目均衡且保持宽范围入射角覆盖;通过构建残差模块和应用批标准化来保持激活函数的输出,构建深层残差网络,提取船舶细粒度特征;设计三种不同的微调策略来选择适合高分辨率SAR图像细粒度分类的最佳训练方案,利用数据增广解决小样本训练过拟合问题;分析了覆盖不同范围入射角的训练集对最终分类结果的影响。实验结果表明:1)所提出的深度残差网络在最终在SAR图像船舶数据集上的总体精度优于95%,证明了本文所提方法的有效性。2)入射角因子是影响船舶特征提取的重要因素,训练集样本入射角的覆盖范围影响到了训练模型的泛化性能。