目的——卷积神经网络作为一种深度神经网络结构,通过逐步压缩图像数据的长度和宽度、扩展数据的通道数以及在减小误差的训练过程中不断调整卷积核的自适应能力来提高卷积神经网络在大规模图像数据集上的训练效率。一般情况下卷积神经网络可以生成一个具有较高精度的网络模型,在极少数情况下需要通过多次减小误差才能得到相应的模型,但这并不影响卷积神经网络的性能。从训练的结果来看,其模型的精确度及算法的稳定性相比于传统神经网络均有所提高。为了提高舰艇目标的识别准确率,先构建出一个12层的卷积神经网络模型,接着将12层卷积神经网络与SVM算法相结合应用到舰艇目标识别中,然后使用全局平均池化方法对所提出的12层卷积神经网络进行改进,最后提出基于全卷积的12层神经网络,以此提高舰艇图像的识别率和整个模型的计算效率。方法——为了克服传统方法在解决图像预处理和识别问题上的缺陷,使用卷积神经网络提取图像特征并对图像进行分类处理,用大量的舰艇图像数据进行训练,实现特征的自动提取,同时通过多次迭代和减小误差使其拥有较强的鲁棒性和泛化能力,形成以卷积神经网络为基础模型的舰艇目标识别。研究结果——用数据增强和图像降噪中的一些方法预处理数据集,设计并优化所提出的卷积神经网络模型;将预处理后的图像数据集送至卷积神经网络进行训练、测试和优化调整;最终形成以卷积神经网络为基础的舰艇目标识别模型,得到较高的准确率。研究的局限性——数据集中的图像数量有限,卷积神经网络只能识别收集在数据集内的舰艇种类,而这几种类别只能代表现实生活中的少部分情况,对于数据集以外的舰艇种类无法识别;在实际过程中若遇到更为复杂的背景环境,是否还能准确识别,有待验证。实际影响——使用数据增强技术后,数据集中的图像数量会明显增多;使用图像降噪技术处理后,人们感兴趣的舰艇特征更加明显,舰艇轮廓更加突出,原图像上噪声明显减小,使得准确率上升。独创性——利用数据增强和图像降噪处理方法对数据集中的图片进行处理,通过调整像素点的灰度值等来提高图像的分辨率;利用卷积神经网络对处理后的图像识别分类,对所提出的卷积神经网络进行改进,在提高识别率的同时降低模型的计算量及减少模型中参数的数量。