海上目标一直以来都是目标识别的重要方向,而船只作为海上重要的运输载体以及军事目标,实现对其自动识别具有现实意义。但在实际中,遥感卫星进行图像采集时往往会受到复杂海情,如云雾遮挡、陆地岸基背景干扰,同时由于卫星影像分辨率高,造成船只目标体积小,这些因素都会增加船只识别的复杂度。本文在研究遥感卫星影像特性的基础上,依托深度学习中的Faster R-CNN目标识别方法,研究了基于深度学习的复杂海情条件下的船只识别方法,主要研究内容如下:本文首先叙述了目前国内外遥感卫星图像目标识别以及深度学习的研究现状,在此基础之上分析了基于深度学习的复杂海情条件下的船只识别所存在的问题,如云雾遮挡、岸基干扰以及船只目标体积小,这些因素都会导致船只的识别准确率低的问题。然后基于Faster R-CNN搭建了一个船只识别网络,但此方法只能够识别常规海情下的船只,无法解决复杂海情的干扰。针对上述问题,本文采用了一种多层次级联的在线难样本挖掘船只识别网络模型,该网络可分为多尺度训练、特征提取、生成目标建议区域、船只分类这四个部分。首先,针对小目标漏检率高的问题,采用多尺度的训练策略,将多尺度的船只样本送入网络中进行训练,在训练样本中加入了大量小目标船只的样本,使网络充分提取到小目标船只的特征;其次,通过卷积神经网络对目标船只进行特征自适应提取,将特征提取网络提取到的不同层次的特征进行级联,构成一个多层次级联的特征提取网络;然后,目标区域建议网络可依据卷积神经网络提取到的特征,在图像中找到感兴趣目标区域,即框定船只的位置;最后,通过多个全连接层的组合,将高维特征映射到一个多元组中,再运用分类函数输出每一类船只的概率值,概率值最大的则为该船只的类别。同时为解决云雾遮挡和海岸背景的干扰,采用了一种在线难样本挖掘的方法,增强网络模型对有云雾遮挡及岸基背景干扰的“难”样本学习能力,以此解决复杂海情下船只识别难的问题。实验结果表明,本文所采用方法能够有效解决复杂海情条件下船只识别难,以及小目标船只识别难的问题,实现了复杂海情条件下的船只识别。同时,与基本的Faster R-CNN深度学习目标识别算法相比,本文算法的精确度提升了13.6%,所训练的模型具有良好的泛化能力和鲁棒性,有很好的研究和应用价值。