海上舰船目标检测识别是众多海洋军事任务的基础。传统的舰船检测与识别需要大量的人工判读,且容易受到噪声干扰,实时性差,难以保证舰船识别的准确性与可靠性。因此,需要研究新的技术与方法,提升舰船自动化识别能力,保证舰船识别的高效性和准确性。随着深度学习的不断发展和摄像设备成像技术的不断进步,基于深度学习的海上舰船目标检测识别方法相比于传统方法展现出了巨大优势。本文从舰船图像数据集构建、舰船稀缺数据增广、舰船目标检测、舰船细粒度识别以及小样本训练等不同角度对海上舰船目标检测识别进行了研究。本文的主要工作如下:（1）鉴于目前没有按照国家、类型和具体型号分类的舰船图片数据集,因此本文构建了一个包含11个国家,7大类别（航空母舰、驱逐舰、巡洋舰、护卫舰、两栖作战舰、其他军舰、民船）,120个型号的舰船数据集。（2）针对舰船数据集中某些型号的舰船样本数量较少的问题,本文采用了基于循环生成式对抗网络的数据增广方法,获得了多种风格下的舰船图像,对稀缺舰船数据进行了扩增,从而提升细粒度识别模型对舰船数据集中稀缺样本的识别能力。（3）在舰船目标检测任务中,本文在YOLOv5检测模型的基础上,增加了坐标注意力模块,从而提升了网络的特征提取能力和鲁棒性。与原YOLOv5网络相比,本文提出的算法在mAP上有2%的提升,在小目标检测的性能上也有所提高。（4）在舰船细粒度识别任务中,本文提出了一种细粒度识别模型SE＿ResNeXt101。实验证明,本文提出的算法在不同拍摄环境下都具有较好的识别效果。针对小样本识别工作,本文尝试了标签转导策略,首先通过模型分类获取标签,然后加入已有数据重新训练,实验表明该方法能有效提升小样本分类的效果。（5）为了简化舰船检测识别模型的使用,本文构建了一个舰船识别原型系统,基于PyQt5框架开发,包括前端构建、算法模块集成、性能优化三个部分。最后,本文将模型和软件部署到了瑞芯微RK1808的开发板上,获得了稳定的识别性能和效果。本文面向海洋复杂环境下舰船精细识别的实际需求,探索了舰船目标检测和细粒度识别网络的相关理论与方法,旨在解决不同类型舰船特征相似度高,难以实现精细区分的技术难题,同时构建了一套舰船智能识别原型系统,为实际应用打下了良好的基础。