海战场作为现代战争的主要作战区域之一,在战斗中其态势瞬息万变。海上舰船目标作为海上监测和战时打击的重点目标,能否快速准确地识别海战场舰船目标的战术意图,为指挥员决策提供支持,极大地关系到战斗成败。判断舰船的战斗意图是以其能够被精确检测与识别为基础的,只有准确地检测并识别了海战场所关注的重点舰船目标,才能对其战术意图做出准确的分析与预测,从而辅助指挥员做出正确的决策。本文以“十一五”、“十二五”国防预研项目为背景,从海战场指挥控制对海上舰船目标检测与识别的实际需求出发,对在高分辨率光学遥感图像中海上舰船目标检测与识别问题进行了研究。本文的主要工作和创新点体现在以下几个方面:(1)提出一种基于视觉显著性特征选择的舰船检测方法。该方法利用舰船目标在海上光学遥感图像中所体现的特征,建立适于海上舰船目标检测的视觉显著性目标检测模型。该模型首先通过基于生物启发的特征提取方法和基于纯数学计算的特征提取方法来提取图像中的视觉显著性信息,前者主要是通过图像中局部区域间的显著性来计算图像中的显著性信息,后者主要是通过图像的全局信息来计算图像中的显著性信息;然后,建立视觉显著性特征选择器,引入群密度的概念,通过不同特征图像的群密度来描述各个特征图的显著性并计算其特征权重,从中选出权重较高的特征图像;最后将这些特征图像加权组合为视觉显著性图像。该方法的优点在于选取了适于提取舰船目标的特征通道,通过两种特征提取方法,使得图像目标的显著性可以更加准确地得到描述;而采用视觉显著性特征选择器可以选出最有效的特征图像,并将它们组合成视觉显著性图像。(2)传统方法从图像中所提取的待识别目标的边缘往往不够平滑、规则,且待识别目标轮廓区域可能存在孔洞,这些因素不利于目标的特征提取,最终可能会影响到目标的识别精度。针对上述问题,本文提出一种基于邻域霍夫变换的图像轮廓简化方法。不同于传统霍夫变换应用,该方法在参数空间引入邻域的概念。图像空间中的一条直线映射到参数空间即为一个点,以这个点为中心建立一个足够小的邻域,当图像空间中的点映射到参数空间中的曲线都穿过这个邻域时,可以近似地认为图像空间中的这些点都在同一条直线上,从而确定图像空间中可以近似为一条直线的点的集合。然后根据最大距离法求取线段的起点与终点,并将求取的点依次连接起来形成一个由线段构成的闭合曲线,这条闭合的曲线就是简化的图像轮廓。它的特点是将图像不规则的曲线边界简化成一系列线段,并将这些线段按照首尾顺序连接成一条闭合曲线,可以很方便地简化图像轮廓。实验证明使用该方法得到的简化轮廓与原图像轮廓充分近似。(3)现代海上战争中,舰船目标作为海战场上重点的海上目标,不同类型的舰船目标在进行打击时实施打击的方式是不同的。为了精确地完成打击任务,目标的识别是关键问题。针对这个问题,本文提出一种基于DSmT(Dezert-Smarandache Theory)的海上舰船图像目标多特征信息融合识别方法。该方法包括三个主要内容:(1)建立以舰船目标的几何特征为证据源的DSmT融合识别模型,这些特征计算简单,容易获取,且在舰船目标识别时具有良好的区分性;(2)定义用于计算不同舰船特征的概率神经网络,通过神经网络的训练学习,获取每个特征的基本信度赋值;(3)根据舰船目标识别模型的特点,分析不同的比例冲突分配规则对舰船目标识别的鲁棒性,采用适于舰船目标识别的比例冲突分配规则。实验结果表明在舰船目标的识别中,该方法具有较高的识别精度。