近年来,遥感对地观测技术发展迅猛,涌现出大量高分辨率的光学遥感卫星,促进了空间遥感技术在军事、国民经济、世界环保等诸多领域的应用。舰船作为重要的海上交通运输工具装备,对其进行智能检测和识别显得尤为重要,能否在短时间内迅速确定遥感影像中船舶数量以及其位置等信息,对于海上交通监管和我国对外贸易发展有着极其重要的意义。然而,随着航天器的空间、时间、光谱等分辨率及对地观测幅宽的提升,遥感数据量呈指数级增长,但相应的遥感数据处理技术却进步缓慢,对遥感图像船舶目标的检测与识别还滞留在简单的数据处理甚至是人眼观测的方式,处理效率十分缓慢,这也是现今制约空间遥感技术应用的主要矛盾。因此,研究快速且有效的遥感图像在轨船舶检测技术对我国航天航空领域具有重要的价值。基于以上分析,本文提出了光学遥感卫星在轨船舶检测模式,利用基于深度学习的人工智能技术,在轨对遥感图像进行快速处理,获取船舶目标信息后,可通过卫星组网或中继卫星,快速将结果发送到地面接收端。处理后的数据量大大降低,可将原始的数十GB量级降低至KB,甚至B量级,地面可采用小型化的接收装置,即可实现数据接收。在此背景下,本文开展了基于人工智能的光学遥感图像在轨船舶检测技术的研究,研究主要归纳如下:1.显著目标是图像中最能引起人们兴趣、最能表现图像内容的区域。视觉显著性已经广泛应用于目标检测、跟踪等计算机视觉任务,但对于背景复杂度极高的遥感图像,传统显著算法难以提取有效目标。本文分别从视觉显著性的研究意义、方法原理、基本模型架构及其在光学遥感图像目标智能检测的应用展开深入研究,提出了一种基于显著性特征的神经网络模型(A-FPN),利用显著性机制引导卷积神经网络模型的学习路径,增益有效区域特征,抑制背景信息,提高网络性能。此外,考虑到实际在轨应用对算法计算量的要求,本文对A-FPN网络展开了模型轻量化裁剪与优化设计,提高了算法的实际应用价值。实验结果证明,该模型能够从复杂背景下,准确且快速提取有效目标信息,十分适用于遥感图像船舶目标检测。2.光学遥感卫星在轨船舶检测技术需要考虑卫星平台计算能力和功耗使用情况,因此卫星在轨船舶检测算法需同时具备稳定性、准确性与计算的简易性。然而遥感图像尺寸极大,现有的基于神经网络的目标检测模型难以直接检测遥感目标,需要对遥感图像进行冗余的裁剪,然后分块处理,这样会导致算法时间复杂度受到图像尺寸的严重制约,尽管可以对网络进行裁剪或通过设计技巧来降低模型复杂度,也无法从本质上解决图像尺度带来的问题。因此,本文提出一种基于人工智能的船舶检测方法,首先利用集成学习方法实现无尺度限制的船舶快速搜索,解决了遥感图像尺寸受限的问题,然后设计了一种深度卷积神经网络的船舶鉴别算法,对船舶搜索得到的目标切片进行筛选,确认真实的船舶目标,最后为降低算法的计算时间复杂度,采用模型优化方法,在MobileNet的基础上,对模型进行裁剪与优化,在保证船舶检测精度的情况下,降低了算法的复杂度,提高了模型的可用性。3.在船舶目标搜索阶段,本文提出一种改进的AdaBoost算法,为提取出全部船舶目标区域切片,本文调整了AdaBoost算法的样本权重更新规则,新AdaBoost模型不在只关注错误分类样本,而是根据正样本即船舶目标的分类情况实时调整模型训练方向,降低在船舶搜索阶段的漏检率。另外,对于港口区域船舶检测,考虑到人工建筑对机器学习算法具有较大干扰,本文针对港口的建筑特点,提出一种基于Harris角点的快速海陆分割方法,无需手工标记和辅助信息,具有较高的鲁棒性。4.考虑到船舶搜索后,仍会存在与船舶相似的干扰物,需设计船舶鉴别算法,降低船舶检测的虚警率。本文针对遥感图像船舶目标的成像特点,提出一种基于卷积神经网络的局部特征提取方法,再利用多特征融合技术,设计出一种高识别精度的神经网络模型,实现由粗到精的光学遥感图像船舶快速检测与识别。5.光学遥感图像在轨船舶检测具有重要的实际应用价值,在算法设计过后,需要通过实际工程验证其可行性。本文根据光学遥感卫星在轨处理算法和整星平台设计,提出了基于高性能商业FPGA和GPU的星载船舶检测处理架构,并对卫星在轨船舶检测算法进行嵌入式部署,FPGA负责接收相机前端数据并将其传入后端处理,后端处理器的核心模块为多核GPU,加速了船舶检测算法中的卷积操作。最后将本文的船舶智能检测系统搭载于吉林一号高分03A星进行在轨验证,测试结果表明,本文算法与所设计的硬件平台均可满足光学遥感卫星在轨船舶检测要求。综上所述:本文对光学遥感图像在轨船舶自动检测与识别所涉及的理论知识展开了深入研究,分析了星上在轨船舶检测面临的主要问题与挑战,提出了相应的基于人工智能技术的解决方法,本文的研究成果大幅提升了光学遥感卫星在国民经济、灾害预警及国防建设等诸多能力,对航天航空领域具有重要的借鉴意义。