遥感舰船影像目标识别一直是遥感影像处理和模式识别领域研究的热点课题,具有重要的军事价值。但由于遥感舰船影像的获取难度较大,样本量相对较少,易引发小样本问题。近年来,深度学习领域开展了许多与小样本学习相关的研究工作,其中包括:迁移学习、属性学习、度量学习、元学习等。在遥感影像小样本舰船识别问题上,上述小样本学习存在着相关数据范围受限、迁移效果难以保证的局限。因此,针对上述问题,并结合舰船目标的结构特征,本研究内容如下:（1）总体方案设计:有别于常规方法的从底层（像素）直接映射到高层（类别）的端到端结构,在底层（像素）与高层（类别）之间嵌入了中间层,通过引入中间层结构元素明确了可利用的数据范围及其特征信息。并且采用传统卷积网络（CNN）实现底层到中间层的映射以及图卷积网路（GCN）实现中间层到高层的映射。（2）结构元素提取:通过分析舰船的结构特性,综合考虑通用性、区分性、显著性,定义了中间层结构元素:舰船的轮廓、舰船的上层构件（舰岛,停机坪）。在此基础上,提取舰船目标区域上各个结构元素的空间定位信息。具体内容包括:采用Mask R-CNN对舰船轮廓进行特征提取,采用Yolo-v5对舰船上层构件进行特征提取。（3）GCN小样本舰船目标识别:在GCN的技术框架下,以中间层的各个结构元素为基础,提出了两种舰船结构图构建模型:基于原始空间信息的结构图构建、基于高维空间信息的结构图构建,使传统的舰船图像数据类型可应用于处理非欧几里得数据类型的图卷积神经网络,通过对节点不同维度的特征提取提高图构建阶段的抗干扰能力;并设计图卷积算子与合理的图网络层次结构,有效的提取了结构元素的空间分布特征,使舰船目标识别精度提高到91.21%。最后依据研究成果设计了一个基于图卷积网络的遥感舰船目标识别平台。通过小样本学习技术与图卷积网络技术的有机结合,突破了现有小样本目标识别方法框架的局限。