我国海岸线狭长,领海面积广阔,遥感影像手段在清晰展现地理形态中扮演重要角色。若将目标检测用于海岸线影像设防监控,便能挖掘有价值的信息,在海上反恐防灾、防控救援等方面能起作用。遥感图像与自然图像的区别在于遥感图像视角不同,有着遮挡和目标紧密排列的干扰,且不同类型船舶目标之间比例悬殊。这些因素易导致传统检测器产生检测偏差,虚警率高、鲁棒性差。故本文将针对“如何提升遥感图像下船只小目标精度”这一问题开展研究,对两种单阶段目标检测方法进行改进,主要工作如下:（1）针对遥感图像下船舶目标排列密集的特点,在YOLO v3的深度学习框架基础上提出一种新的Improved-YOLO v3结构。该部分工作对应论文第三章,使用更深的网络Inception作为基础结构替换原有的darknet-53网络,并增加ResNet残差结构优化。在本文数据集上实验说明,该方法准确率相比原始网络能达到16.5%的改善,比Faster R-CNN检测精度高出4.5%。此结构不仅一定程度克服了船舶小目标识别效果差的缺点,迁移到多分类数据集VisDrone-2018上也达到了较好测试效果。（2）为了获得更好的语义信息,提出深层特征融合和相邻特征融合两种方式的特征融合SSD结构（feature map fused SSD）。该部分工作对应论文第四章,通过特征融合解决了较低层级的特征非线性程度不够的问题,从而补充小目标语义信息达到检测提高性能的目的。在本文数据集上的实验表明,深层特征融合的方法对比原SSD网络有6.8%的提升,对比Faster R-CNN改进了 4.9%,而相邻特征融合的方式可以分别达到10.9%和8.6%的提升。（3）引入基于衰减函数的非极大值抑制策略（Decay-NMS）。在紧密小目标的检测中,待筛选的框往往数量多,排列密,置信度得分有时候会互相抑制。为了避免该问题,引入改进的非极大值抑制策略,有针对性地对紧密的船舶小目标检测置信度按一定的规律衰减。该策略在原YOLO v3上能有1%的提升;在本文提出的基于相邻特征融合的SSD结构中上,性能提升了 10%。