近年来遥感对地观测技术疾速发展,各类高分辨率的光学成像卫星不断涌现,现今可获取的遥感图像与之前相比分辨率更好,可从图像中更容易直接捕捉到各种地物信息的样貌特征,在军事国防和民用经济建设领域都有重要应用。舰船作为水上运输的重要载体,主要在宽阔的河流海面上运行,由于其运行附近鲜有地面设备,周围地物信息较少,以水域为主,容易被空中的探测器捕捉到,所以成为对地观测技术需要探测的一个常用的目标对象。对遥感图像进行目标检测对海上救援、军事应用、船只管理等有重大意义。对遥感舰船目标的检测,已成为遥感对地观测技术的一个重要分支。目前,本领域存在的问题主要是遥感图像的获取受到多方面的制约,如拍摄的时间,天气,光照,以及海上的种种影响因素都对目标的检测造成阻碍。同时,随着成像分辨率的提高,算法要处理的数据量也显著增加,对算法的速度也带来了更高的要求。如何能克服各种影响,最大程度从大量数据中快速,准确完成检测任务,成为本领域研究的主要方向。针对现有的数据资源,本文针对大幅宽遥感图像进行舰船检测,在保证检测精度的同时,加快整体算法的检测速度。本文主要内容主要可分为以下两部分:1.基于谱残差显著性模型的候选区域提取算法研究为快速缩小检测视野,减少整体算法的计算量,本文设计了一种候选区域提取算法。以谱残差显著性算法基础计算显著图,结合算法特点和遥感图像特性在尺度选择和分割阈值的计算方法方面进行改进,有效克服了云雾和海浪等背景带来的干扰,同时可以最大限度减少目标遗漏。最后结合少量特征滤除存在的噪声等明显虚警。2.针对宽幅遥感图像中小目标及复杂背景下的轻量化舰船目标检测算法研究本文针对大幅面遥感图像提出一种舰船目标检测方法,整体算法分为候选区域判断和目标精细检测。由于宽幅图像无法直接作为检测网络输入,需要将图像裁剪为可输入的大小。在候选区域定位方面采取了基于第一部分研究的基于图像显著性的区域提取方法,判断裁剪后的子图像内部是否存在疑似目标,以保证进行后续检测。在检测网络方面,为保证检测的快速性,选择以yolov4-tiny轻量化目标检测模型为主干,同时为了改善数据中存在大量舰船小目标导致算法的检测精度下降的问题。在网络中加入注意力机制和数据增强模块,同时针对图像中大量的小目标和数据增强所带来的尺度和形状上的变化,采用了自适应选取先验框的方法,增强了模型对于此类样本的检测效果。与原始的yolov4-tiny相比,改进的算法在保证检测速度的条件下,增强了对目标的检测能力。在保证检测精确度的同时,大大提高了召回率,减少了漏检。同时,整体算法相较于纯基于深度学习的目标检测方法,在保证精度的同时,降低了计算量,提高了检测效率,可作为实际工程参考。