可见光遥感影像中近岸舰船的检测在海域监视、军事侦察等方面具有重要的意义,相比于海洋背景下的舰船定位,近岸舰船所处的背景环境更加复杂多样,且船只往往并排停靠,尺度和长宽比变化范围较大,在检测问题上更为困难;近岸舰船目标的细粒度识别有助于实现港口区域的精细化监视、打击隐藏于民船中的敌方舰船,但不同类别的舰船目标通常在外形、颜色和纹理等方面区分度不大,要实现准确的细粒度识别具有很高的难度。基于深度学习的目标检测和识别方法在抑制复杂背景环境干扰和识别多种类别目标等方面有着优异的性能,但目前在近岸舰船目标检测和识别领域的相关研究还相对较少,论文基于深度学习方法对高分辨率遥感影像中的近岸舰船检测和识别问题进行了深入的探索,主要工作如下:首先,系统地阐述了论文的研究背景与意义,从搜索空间离散化的角度对基于深度学习的目标检测技术进行了分类概述,并对涉及的关键难点进行了总结归纳。其次,提出了一种基于实例分割的近岸舰船目标检测方法,利用语义分割的算法框架同时对舰船区域和舰船中心点进行预测,然后基于中心点位置对并排的多个舰船实例进行分离,实验表明该方法不仅能在定位舰船的同时实现对舰船目标的像素级分割,而且在检测并排舰船目标上也具有明显的优势。然后,针对近岸舰船目标细粒度识别的问题,提出了一种利用生成对抗网络辅助学习的近岸舰船目标细粒度识别方法。为了避免与定位任务共同优化带来的负面影响,先引入了独立的级联分类子网络,然后通过训练生成对抗网络合成样本来辅助分类子网络学习样本空间的流形分布,从而增强分类网络细粒度的类别判别能力。实验表明,该方法可以有效地提升近岸舰船目标的细粒度识别精度。最后,针对基于图像分割的检测方法存在样本标注繁杂,且难以进行端到端优化的问题,提出了一种基于倾斜边界框的端到端近岸舰船检测和细粒度识别框架。该方法通过提出的角度致密化策略来提升小尺度舰船的检测率,利用改进的方位敏感型区域插值池化模块来精确地建模舰船的局部区域特征,通过融合舰船区域的局部和全局信息来提升细粒度类别判别能力,并采用基于迁移学习的权重映射方法来进一步提升模型性能。实验表明,该方法在近岸舰船检测和细粒度识别中表现出了良好的鲁棒性和较高的性能。