我国是一个有着漫长海岸线的海洋大国。近年来,南海某些域内外国家在我国邻近海域不断制造事端,严重侵犯了我国主权,破坏了地区来之不易的和平和稳定局面。与此同时,漫长的海岸线给打击海上违法行为,展开海上安全搜救工作等提出了不小的挑战。因此发展海上舰船检测技术对维护国家领土完整,打击海上犯罪活动,保障人民群众生命财产安全具有重要的意义。基于卷积神经网络的目标检测法相对于传统的目标检测法而言具有特征提取简单,通用性强,检测精度高等特点。本文结合该技术研究了基于卷积神经网络的舰船检测方法,主要展开了以下研究工作:(1)由于神经网络对数据集的依赖性很高,针对目前常用开源数据集舰船目标较少的问题,本文采集并标注了13267张共6个类别的舰船数据集,这些数据集为本文的后续研究提供了重要支撑。基于这些数据集,本文采用YOLOv3网络进行了训练,训练过程中探究了诸如数据增强、批正则化操作以及k-means聚类预设锚框等策略对模型检测效果的影响,实验结果表明这几种策略都在不同程度上提升了网络的检测精度。针对目标检测算法中小目标舰船检测比较困难的问题,在YOLOv3网络的基础上将残差模块替换成密集模块,采用了YOLOv3-Dense网络,对比了其与YOLOv3网络在检测精度尤其是小目标检测效果方面的变化,通过实验证明了YOLOv3-Dense网络要优于YOLOv3网络。(2)针对CPU架构下卷积神经网络前向推理速度慢的问题,分别研究了基于GPU和FPGA两种硬件平台下的卷积神经网络的加速。GPU平台下,采用了基于共享内存的优化矩阵乘法,cu BLAS库以及cu DNN库三种方式进行实现,对比结果表明,三种GPU实现方式相较于CPU实现速度上均有提升。FPGA平台下,针对3×3卷积的特征,提出了部分卷积算法,并采用SDSo C开发工具简化了卷积加速IP核的设计。实验结果显示与Zed Board上ARM CPU软件实现的卷积层相比,采用FPGA硬件加速速度上大概能够提升5倍。(3)针对海雾气象条件下目标检测效果不佳的问题,研究了基于暗通道先验的去雾算法,并针对该算法在天空等明亮区域易产生颜色失真的问题,采用了基于容差的改进算法对含雾舰船图像进行去雾。实验结果表明,去雾后舰船的检测效果要优于去雾前的检测效果。同时针对去雾算法计算量大,CPU计算慢的问题,提出了基于共享内存和规约算法的GPU加速法。实测数据显示,GPU版本的去雾算法速度比CPU版本的提高了13倍,且能够达到实时处理的效果。