合成孔径雷达作为一种用于微波成像的传感设备,与传统光学遥感设备相比具有全天时、全天候的成像处理能力。因此在民用遥感、测绘和军事侦察等领域得到了广泛的应用。随着我国高分系列卫星的成功发射,为实现舰船目标的检测提供了有力的数据支撑。传统的SAR图像的舰船目标检测方法主要是将统计学习与恒虚警率（Constant False Alarm Rate,CFAR）方法结合。但是该类方法多依赖于对海洋杂波的建模,需要手工设计特征,运行速度受限,而且只对一些简单场景下的舰船目标分割问题有效。由于SAR图像成像面积一般为数十平方公里甚至更大。在解决复杂大场景下的舰船目标检测问题,由于存在海洋,陆地,港口,近岸水域等具有类似舰船后向散射机制的目标,导致上述方法产生较高的虚警率,检测效果较差。基于以上问题,本文从语义分割的角度出发来解决复杂大场景下的舰船目标检测问题,制作一个复杂大场景下的舰船分割数据集,同时由于SAR图像数据的稀缺性,本文采用迁移学习与小样本学习的方法解决复杂大场景下的舰船目标的检测问题,具体工作如下:（1）针对单极化SAR图像原始数据携带信息较少问题,结合频域信息,对输入数据的单通道SAR图像进行双层小波分解,增加图像的细节信息,并提出了一种基于全局注意力机制编解码网络的舰船目标分割方法（GAM-EDNet）,针对舰船目标的多尺度问题,网络采用编解码结构,并将双层小波分解所得的8张小波分解系数图像与原始图像堆叠构成3D的图像块作为输入进行训练,采用3D空洞卷积解决图像语义分割中因下采样导致图像分辨率损失问题,同时引入全局注意力机制实现对不同尺度下高层特征对低层特征的指导,提高整体的分割效果。实验结果表明,所提方法有效增强了对不同尺度SAR舰船目标分割精度,并且对目标边缘轮廓的分割较为精准。（2）受限于复杂大场景下的数据规模较小问题,模型存在泛化能力不足问题,往往会出现在源域数据上性能优越,但是在目标域上出现性能衰退的现象。针对以上问题,提出了一种基于迁移学习的舰船目标分割方法。在所提GAM-EDNet基础上,使用舰船目标最为丰富的地区SAR图像作为源域数据进行预训练,然后利用少量目标域数据进行微调,为其他域的SAR图像舰船目标的分割提供一个很好的知识先验,并结合Warmup与Snapshot Ensembles策略的训练方式,避免了由数据量较少时候带来的负迁移作用。这种基于模型的迁移方法与训练策略可以为目标域SAR图像的学习提供很好的知识先验,降低了包含舰船目标较少的SAR图像的数据的学习难度,并有效提高了舰船目标的分割性能。（3）针对异源SAR图像舰船目标分割问题,提出了一种多尺度相似指导网络。将不同地区的SAR图像舰船分割问题建模成不同的“任务”,构建小样本条件下的舰船目标分割数据集SARShip-4i。为了增强算法对多种不同尺度的目标的适应性,使用了一种多尺度相似度指导模块,提高对不同舰船目标尺度的分割效果。本章方法有效的减少目标域上数据所需标注数据的数量,为解决异源图像下的SAR图像分割问题提供了一种解决思路,在小样本条件下取得了较为不错的分割结果。