近年来,我国在不断地发射光学成像卫星。随着这些卫星搭载的传感器分辨率越来越高,人们所能获取的图像数据也日益增多。这些数据在提供了更多信息的同时也带来了更大的挑战。另一方面,舰船是海上的重要监测和打击目标,所以它的位置信息是国防安全的重要组成部分。因此基于遥感图像的舰船检测方法就具有了很大的研究意义。目标检测的本质是利用图像特征提取目标信息。传统方法在进行舰船检测时,会遇到云浪和陆地背景的干扰,使其精确度大大降低。随着深度学习技术的不断发展,CNN（Convolutional Neural Network）展现出强大的特征提取能力和在目标检测领域的优越性。本文的目标就是基于嵌入式平台,利用深度学习方法和遥感图像信息,对舰船目标进行准实时检测。首先本文提出了一种基于YOLOv3的快速目标检测网络模型,该模型通过两个方法来减少网络参数并实现检测加速:一是裁剪网络的通道数和层数,二是使用Depthwise卷积替换普通卷积。然后为了评价模型的尺度适应性,本文定义并实测了OSIT（Optimum Scale Interval of Target）指标。之后使用金字塔检测方式扩大了OSIT尺寸范围,并实现了网络的多尺度目标检测。然后使用了基于ROO（Regions of Object）的训练方式,解决了OSIT目标训练问题。此外该方式还可以解决正负样本不均衡问题并加快训练收敛速度。最后为了弥补人工截取ROO的泛化能力不足,本文使用了OHEM（Online Hard Example Mining）的方法来提升训练效果。本文基于TX2嵌入式平台,分别利用自制舰船数据集和DOTA数据集,对模型进行性能评估。实验结果表明:相较于当前的主流网络,本文的模型在AP相差不大的情况下大幅提升了检测速度。相比于YOLOv3,速度提升了77%,但AP只下降了5.7。和YOLOv2相比,速度和AP分别提升了45%和0.4。同时基于ROO+OHEM的训练方式也使得训练效果和收敛速度有很大的提升。