随着人口激增及国际竞争日益激烈,陆地资源越来越紧缺,海洋成了当今各沿海国家促进本国经济发展和缓解空间压力的重要途径。船舶作为能够有效利用开发海洋资源的工具,对其检测和管控的意义越来越重大。而基于可见光遥感图像的检测技术作为当前卫星遥感检测领域的热点,在对于海上船舶的检测也拥有很好的效果。在这其中基于卷积神经网络的识别比传统的识别技术拥有更好的鲁棒性和准确性。因此本文基于卷积神经网络对可见光遥感船舶图像进行了语义分割的研究。本文首先进行图像数据的采集。从三处获取本次所需要的数据集原始图像,对没有标签的原始图像添加标注,剔除损坏的图像,删去分辨率过低的图像,平衡正负数据集方面,最后进行了图像的增强,减小训练中可能出现的过拟合情况。之后设计可见光遥感船舶图像语义分割的编码层结构,编码层网络结构分为4种模块:res_block,incp_block,shuffA_block,shuffB_block。再将4种模块整合,介绍了整个编码层的网络结构。该网络结构的特点如下:(1)全模型除了使用普通的卷积也采用了大量的深度可分离卷积,深度可分离卷积的参数量小于普通卷积,拥有更快的计算速度;(2)res_block中采用了残差连接,通过跳层连接,增强了梯度的流动,也防止随着模型训练深度加深而出现网络退化;(3)incp_block使用了不同卷积核的卷积层进行并行卷积,能更好收集到遥感图像中船舶的特征并将不同的特征数据进行稠密连接融合;(4)shuffA_block使用了分组卷积,可以加快运算速度。(5)模型中使用SE注意力模块,提高目标特征的权重,进而提高模型最终准确率。使用该编码层网络结构在之前处理过后的数据集上进行实验,并与其它网络结构进行比较。确保该编码层网络结构对于可见光遥感卫星船舶图像的分类有很好效果以及效率。最后设计语义分割模型解码层结构,其中包含Unew_block和Dpnew_block两个模块。Unew_block模块是基于原版U-Net模型所设计搭建,能够独立完成语义分割的功能要求;而Dpnew_block是独立模块,可插入任何语义分割模型,其作用是提高各卷积层特征提取能力,防止过度卷积而导致的特征丢失。解码层与编码层组合完成本文设计搭建的完整版语义分割模型。再使用了Tversky损失函数解决可见光遥感船舶图像正负样本极度不平衡的问题。之后对于各类模型与损失函数的组合进行了实验,结果证明本文设计的改进版U-Net语义分割模型对于小目标的图像分割更为精准,同时在复杂背景下也拥有更好的鲁棒性,对于可见光遥感船舶图像语义分割的研究有一定借鉴意义。