针对SAR图像数据下的舰船检测问题,以及深度学习模型的优点,提出了基于深度学习的SAR图像舰船目标检测。深度学习被看作是一种特征学习工具,自动从图像数据中学习最能表达目标的特征。它通过构建具有多个隐层的学习模型,从中学到多层的非线性关系,这是其他非深度学习算法所不能及的,如此便可以从舰船训练数据中学习更有用的特征,从而提升舰船目标分类的准确性。本文分析了深度学习的基本模型和方法,并在相关图像数据集上做了实验论证。首先研究了深度学习中限制玻尔兹曼机(RBM)在SAR图像舰船目标检测中的应用。介绍了RBM网络结构理论知识,然后结合舰船检测问题给出来具体的算法实现。针对RBM训练参数过多,训练时间长等问题,提出了基于卷积神经网络CNN的SAR图像舰船检测。CNN网络结构是由卷积层和下采样层交替构成的,通过局部感受野和权值共享特性,不但解决了前面的问题,还很大程度上改善了检测性能。与传统浅层学习相比,深度学习的不同在于:(1)强调了模型结构的深度,表现为包含多个隐层节点;(2)突出了所学特征的优越性,通过逐层特征变换,将样本在原空间的特征变换到一个新空间,从而使分类检测更加容易。与手动提取特征相比,利用大数据来学习特征,更能刻画数据的本质信息。深度学习优点在于对舰船模型的表达能力较强,能够突显舰船目标在周围非目标中的特性,同时这种方法也有一定的生物学基础。通过对现有数据集的测试,证明了该方法的有效性。