目前,相比于普通机器学习算法,深度学习类算法具有更高的研究价值,但其在应用中也面临着不可回避的问题:深度学习依赖大规模数据的支持,小样本训练出的模型表现出的性能往往较为低下。而某些情况下,大规模样本的获取工作较为困难。例如红外场景下的图像数据,其实拍图像获取成本高,难以获取各种不同条件下的数据。因此对于该领域的图像处理问题,深度学习算法的应用则显得力不从心。而通过图像仿真的方法可以较快捷地获取大规模图像数据,并且可以根据需要添加各种场景因素,因此使用仿真图像作为深度学习算法数据集的方式有待于深入研究。由于仿真图像与实拍图像存在一定差异,因此本文探讨了仿真图像作为深度学习算法数据集的可行性。本文从目标识别检测任务入手,选取了数据稀缺、难以通过实拍的方式获得的目标领域——红外场景下的舰船目标进行了图像仿真,并使用仿真得到的大量样本对卷积神经网络模型算法进行了训练。在算法方面,选取了现存成熟的深度学习目标识别检测类算法——SSD算法进行测试。本文通过互联网资源获得了少量实拍红外舰船数据作为小样本,验证了小样本训练的方式在深度学习算法下表现出的性能,并通过仿真大量样本的方式进行了性能对比,说明了仿真图像作为深度学习数据集的可行性。最后,尽管使用小样本直接训练卷积神经网络模型的方式存在问题,但小样本数据作为实拍数据,具有更大的价值。因此本文对单纯使用仿真图像进行训练的过程进行了流程改进。该过程基于Tr-AdaBoost算法的思想,对少量实拍样本与大量仿真样本在训练过程中占有的权重进行分配,最终发现经过改进后的训练模型具有更高的预测性能,指明了仿真图像作为深度学习数据集的合理方法。