快速准确地识别和提取海洋目标在推进国家海洋强国战略方面发挥着重要作用,其中海岸线提取和舰船检测是国家海军信息化建设和海洋经济开发的重要基础。随着卫星遥感影像技术的快速发展,通过安装在飞机或卫星上的传感器可以获得大量高分辨率遥感图像,这为海洋目标提取和识别研究提供了可靠的数据支持,同时也推动了深度学习技术在遥感领域应用的研究。但由于遥感图像覆盖范围广、识别目标小、场景复杂干扰强,使得精确识别海洋目标仍是一项具有挑战性的任务。本文针对海陆分割模型选择和舰船识别精度提高展开研究,主要的研究如下:1.针对传统方法难以有效提取所有类型海岸线,而深度学习方法的缺乏基准数据集和语义分割模型选择困难,使用深度学习技术进行海陆分割仍然是一项挑战等问题展开研究。首先以中国近海为研究区域,利用Landsat-8 OLI陆地成像仪图像构建两套不同波段组合的包含4种不同类型海岸线的海陆分割基准数据集;然后通过实验综合比较当前主流的语义分割方法的准确性、效率、复杂性以及稳定性来评估在不同类型海岸线上海陆分割的可行性和性能,并选出适合海陆分割的波段组合;考虑到当前模型层出不穷,提出将赤池信息准则（AIC）和贝叶斯信息准则（BIC）模型作为模型选择的评估指标,综合权衡模型的复杂度和分割精度以选择最合适海陆分割的模型。2.针对遥感图像中舰船尺寸小而分布密集且容易受到近岸相似物干扰,导致单一目标检测的高虚警、低召回率和抗干扰能力差等问题,旨在多传感器、多分辨率、多尺度多场景等情况下,通过改进深度学习目标检测模型来提高舰船定位的准确性和鲁棒性。模型改进上,首先针对单目标检测通过k-means聚类算法获得的锚盒分布集中导致YOLOv3不同检测尺度之间的范围缩小,使得YOLOv3多尺度检测的优势难以突出问题。提出对k-means++聚类算法获得的锚盒进行线性拉伸,为舰船检测分配更准确的锚盒。其次,针对YOLOv3预测框仅有边框位置信息无法预判该预测框的可靠性问题,引入Gaussian-YOLOv3模型为舰船检测边界框定位添加不确定性估计量。最后,因为不同分辨率的遥感图像中物体的尺寸和方向存在很大差异,提出为每个Gaussian-YOLO检测层分配四个锚盒来确定一个检测框代替默认设置的三个。通过在包含不同分辨率、不同场景和不同舰船尺度的SAR和可见光两种不同传感器的数据集上,对改进的模型进行训练和测试来验证该方法的有效性。3.针对大部分公开的文献都是研究L1级舰船目标检测（区分背景和舰船）,而进行多类舰船识别研究较少。因此,本文除了研究针对问题2的L1级舰船目标检测任务外,还进行了L2级舰船类别识别和L3级舰船型号识别任务。此外,考虑到依靠单一传感器数据舰船检测难以抵抗薄厚云、海杂波、岛礁、高虚警等干扰问题,提出构建基于多源遥感图像决策级融合舰船目标识别技术以提高舰船识别在复杂环境下的抗干扰能力。首先,与问题2一样,将Gaussian参数引入到YOLOv4中,以提高模型定位的准确性。然后,在公开的可见光真实场景舰船数据集上用Gaussian-YOLOv4模型对舰船进行粗粒度和细粒度划分来验证该方法的有效性。接下来,在Gaussian-YOLOv4模型中设计决策融合算法来综合利用SAR、红外和可见光三种数据源的可关联特性,以进一步提升模型的抗干扰能力。最后仿真三组复杂场景下SAR、可见光和红外三种不同传感器的5种舰船类型数据集,对提出的决策级融合算法进行验证。通过大量的真实和仿真复杂场景数据对比实验,得出多源遥感图像决策级融合算法能够解决单信源舰船识别大部分错检和漏检情况,显著提高了舰船识别的精度。