我国海上安全形势日趋复杂,海上军事争端越演越烈,能否快速准确地检测船舰目标极大地关系到战争的成败;因此,确保海域安全是我国现在以及今后军事战略的重点。近年来,随着合成孔径雷达（Synthetic Aperture Radar,SAR）成像技术的发展,对船舰目标的精细化观测水平越来越高,使得利用深度学习相关技术挖掘船舰目标的深层特征和精细化信息,进一步提高SAR船舰目标检测性能已成为可能,引起了国内外研究人员的广泛关注。然而,现有的基于深度学习的SAR船舰检测方法虽然挖掘了船舰目标的深层特征,提高了SAR船舰检测精度,降低了人工参与力度,但是忽略了SAR图像中船舰目标与背景的分布不均以及船舰目标自身的尺度变化和旋转行为,使得船舰目标检测可靠性与准确率有限。因此,需要进一步挖掘利用SAR船舰目标的精细化特征。针对上述问题,本文拟开展多特征协同的SAR船舰智能检测方法研究,探索SAR船舰目标的精细化特征和多维域信息,以提高SAR船舰检测性能,主要内容和创新点如下:针对SAR船舰目标自身的尺度变化以及正负样本分布不均衡等问题,提出了一种基于平衡多尺度特征的船舰智能检测方法。首先,基于深度卷积神经网络实现SAR船舰目标分层特征快速提取;然后,利用特征金字塔网络获取SAR船舰目标多尺度特征,进而将多尺度特征整合到相同深度后进行增强和细化,实现语义特征的均衡化;最后,对提取到的船舰目标特征进行判别,实现SAR船舰检测,并在SAR船舰检测数据集（SAR Ship Detection Dataset,SSDD）上验证了提出方法的正确性和有效性。围绕SAR船舰检测方法仅仅探索利用了单维域信息,缺乏对其他维域特征的挖掘,尤其对于SAR船舰目标的旋转行为没有进行有效处理,导致检查性能有限的问题,提出了一种基于多维域特征协同的船舰检测方法。首先,利用卷积神经网络提取到SAR船舰目标的空间特征,并在此基础上利用特征金字塔网络实现SAR船舰目标的多尺度特征提取;然后,通过提议网络生成候选区域,同时映射到原始图像与空间特征图上,进而提取原始图像候选区域的频域旋转不变特征;最后,对提取到的多维域特征进行融合与判别,实现SAR船舰目标检测,并在SSDD数据集上验证了本章提出方法的正确性和有效性。