近年来,随着遥感技术的快速发展,诸多学者投身于遥感领域研究,使得遥感领域成为了一个研究热点,新理论、新方法层出不穷。随着GF-3卫星的升空,国内研究人员又掀起了一股合成孔径雷达(Synthetic Aperture Radar,SAR)研究热潮。合成孔径雷达利用微波成像,不受地面云雾、光照、风雨等影响,能全天时、全天候的对地面进行监控,能够有效识别伪装和穿透掩盖物,获取地面信息。在民用领域,合成孔径雷达能够对山林、海洋、自然资源、自然灾害进行有效监控;在军用领域,合成孔径雷达能够提供侦查,获取战场信息,提升战场优势。舰船检测是合成孔径雷达的一个重要研究内容。合成孔径雷达的成像机制使得SAR图像遍布相干斑噪声,增加了传统舰船检测的难度,因此,寻找一种检测结果更优,普适性更好的SAR图像目标检测方法具有重要的意义。本文在卷积神经网络的基础上,提出了一种改进的R-FCN SAR图像舰船检测算法。在传统舰船检测算法中,应用最广、研究最深入的算法是恒虚警率(Constant False Alarm Rate,CFAR)检测算法。CFAR通过充分拟合背景杂波,利用背景杂波与目标的差异实现检测,但是SAR图像背景杂波分布复杂,杂波模型难以拟合各种状态下的背景杂波。不同于传统的做法,本文将卷积神经网络引入到SAR图像舰船检测中,通过学习不同形态的舰船特征来识别舰船,避免了SAR图像的预处理,以及复杂的背景杂波拟合,在复杂环境下具有更高的检测效果。本文主要完成了以下研究内容:一、舰船数据集构建。卷积神经网络训练需要相当数目的数据集,但是目前没有公开的舰船数据集。为了获取足够舰船样本,本文选取了公开的Sentinel-1卫星数据,利用专家上传的舰船样本制作数据集。二、引入基于区域的卷积神经网络(Region-based Fully Convolutional Networks,RFCN)。由于SAR图像成像原理不同于光学图像,原R-FCN在SAR图像中的检测效果不尽人意,本文针对SAR图像特点,对R-FCN中的特征提取网络ResNet进行混合尺度卷积核处理,使得特征提取网络能够抑制相干斑噪声影响,有效提取舰船特征。本文选取低分辨Sentinel-1卫星数据对本文算法进行测试,检测精度高达97.46%,明显高于原R-FCN检测算法,证明本文算法的有效性。同时,实验选取高分辨率GF-3卫星SAR图像对本文算法进行测试,检测精度高达97.37%,证明本文算法的普适性。