随着现代科技的不断发展,基于雷达图像的舰船目标检测识别算法也层出不穷。经典深度学习目标检测识别算法虽然在精度上有着不错的表现,但其检测速率依然达不到许多军事应用的要求。而且由于雷达图像的特殊性,在实际应用中我们很难得到大量的雷达图像样本。因此,基于小样本的雷达图像舰船目标检测识别是一个富有挑战性也极具意义的研究课题。针对此课题,本文采用了生成对抗网络结合舰船目标三维电磁散射信息的方法,对舰船目标进行雷达图像仿真及基于深度生成网络的样本生成扩充,这样扩充的舰船雷达图像不仅比传统方法扩充的图像更接近真实图像而且大大增加了样本的多样性。最后通过基于回归的端到端的目标检测网络,提取舰船目标不同深度的特征对舰船进行检测识别,提高小样本情况下舰船目标的检测精度与泛化性能。本论文的主要研究内容有:1.研究基于生成式对抗网络的雷达图像数据扩充方法,本文将生成对抗网络引入雷达图像生成领域,可以生成与真实样本非常相似的人工雷达图像样本。经过学习后,生成对抗网络可以生成一些“伪造”的不同方位与角度的舰船图像用来扩充雷达图像数据库,达到缓解雷达图像样本不足影响舰船目标检测精度的目的。2.针对传统的数据增强方法无法真正意义上对图像进行成像角度及方位等多样性扩充的问题,本文研究基于三维模型电磁仿真的小样本扩充方法。首先,基于舰船三维模型及后向散射特性,对各类舰船进行不同角度不同位姿下的雷达图像仿真,以此达到对雷达图像数据扩充的目的。然后结合生成对抗网络,对图像进行进一步更加逼真的扩充,最后输入端到端的深度检测网络完成对不同目标的检测识别。3.针对经典两阶段目标检测识别算法效率低下,难以满足实际应用需求的问题,本文研究基于单阶段的目标检测算法,将目标检测识别任务建模为回归问题处理。利用端到端的单阶段目标检测网络实现快速检测识别,同时通过改进数据增强等方法、引入特征金字塔网络、路径聚合网络等模块,使得模型提取并融合目标不同深度的特征,从而实现对雷达图像舰船目标精确检测识别。