随着计算机视觉领域中目标识别技术的不断发展和深度卷积神经网络的兴起,深度学习在目标识别中的应用逐渐超过了传统的目标识别方法。这些新兴的基于神经网络的算法,有的精确度高,有的识别速度快,还有的两者兼容。如何能够将这些方法更好的应用到现实需求中,还需要我们不断地研究探索,这也成了近些年来的研究热点。本文以船舶为研究对象,对不同场景中的船舶识别所使用的不同目标识别算法来展开研究。为了能够准确的识别出遥感图像中的船舶目标,提出了目标识别算法Dense-YOLOv3。另外,为了能在满足实时检测速度的条件下准确的识别出视觉图像里的船舶类型,通过对YOLOv3算法进行改进提出了轻量级目标识别算法。针对上面的两种情况,论文的具体研究内容如下:首先,综述了基于深度卷积神经网络的目标识别算法在最近几年的发展状况,然后对几种经典的神经网络目标识别算法进行简单介绍。在对比经典算法的优缺点之后,选取YOLOv3目标识别算法作为本文算法的基础。针对神经网络中不同的优化方法,建立神经网络进行实验对比,确定本文在构建神经网络时采用的优化方法。其次,对于遥感图像中船舶目标小、背景复杂、目标模糊不清的目标识别场景,在选取的YOLOv3算法的基础上加入了能够充分利用上层网络信息的Dense Net网络结构,提出了Dense-YOLOv3算法。另外,对于需要选取的候选框,利用K-means++方法来快速聚类出需要检测的候选框的大小。之后,通过仿真实验对比Dense-YOLOv3算法、YOLOv3算法、Faster R-CNN和SSD等算法的各项性能。最后,对于视觉图像中船舶目标大、图像清晰的目标识别场景,提出能够满足实时检测的轻量级目标识别算法。在YOLOv3的基础上,结合Mobile-Net轻量级网络中的深度可分离卷积的优点,设计4种轻量级目标识别算法,然后通过实验对比它们的优缺点,选出其中两种综合性能较好的算法与YOLOv2-tiny和YOLOv3-tiny在船舶图像中的检测效果进行对比,验证了本文设计的轻量级目标识别算法的可行性。