随着信息化时代的到来,航空遥感技术由于其机动灵活、分辨率高且观测范围可选的显著优势为目标检测提供了新思路。船舰在军事和民用领域都是不可或缺的战略资源和交通工具,因此船舰目标检测一直是该领域的研究重点。考虑到遥感船舰图像背景复杂且目标分布集中,卷积神经网络凭借强大的特征表达和建模能力逐步取代传统检测方法,适用于船舰目标的精准定位和实时检测。因此,本文以卷积神经网络为研究基础对遥感船舰目标进行检测,通过在网络中设计高效、快速的特征提取策略,提高船舰目标的检测性能。文章的主要研究内容如下:（1）本文通过自主构建MyShip遥感数据集进行船舰目标检测,基于DOTA数据集选取不同复杂背景下的船舶目标,评估改进网络模型的优化程度。针对目标形式单一现象,MyShip数据集还通过旋转角度、镜像翻转等数据增强策略进行样本扩增,提高网络的鲁棒性和可扩展性。本文所有的对比实验均基于MyShip数据集进行训练和验证。（2）本文在卷积网络特征提取的基础上做出了适当的改进,在网络的不同深度层次引入空洞卷积模块,生成新的特征提取网络ACNet。该网络能够获取特征图中较大范围的局部特征,有效避免了卷积网络重复的下采样操作造成特征信息的丢失,同时利用多尺度的输出信息来增强网络的特征表达和泛化能力。实验结果充分证明ACNet网络在MyShip数据集上表现出不错的检测性能,检测精度和速度较之前均有所提升。（3）为满足对船舰目标的高效定位和检测,本文以YOLOv3算法为基础,并结合遥感船舰目标的显著特征进行模型优化。首先,考虑到船舰目标尺度偏小且密集存在,增加网络的检测尺度以缓解网络对小目标的敏感性。其次,引入L2正则化约束,增强网络的抗干扰能力。最后,利用改进后的聚类算法进行先验框尺寸预测,提高对特定目标的检测效率。实验结果证实MyShip遥感船舰数据集的最终检测AP值达到94.33%,较原有的YOLOv3算法提高了3.01%,有效验证了改进网络的优越性。