我国所面临的海上环境比较复杂,海军舰艇智能感知能力的发展具有举足轻重的地位。在此新形式下,如何从水面舰艇视觉目标系统中获得海上目标的信息并进行有效的识别具有重要意义。课题以常见的海上目标为检测对象,基于卷积神经网络的深度学习方法设计了一套包括海上目标电子稳像,基于深度学习的海上目标检测方法的系统,并利用制作的目标检测数据集进行测试,结果表明该方法相比于基于数字图像处理的目标检测算法鲁棒性好,识别率更高。首先,针对海天背景下获得的图像由于成像设备抖动而导致图像质量下降情况,采用了基于SIFT特征点检测的运动估计算法,通过Ransac算法对匹配到的特征点进行筛选,估计出运动模型,计算其参数,并采用基于双线性插值的方式对图像进行运动补偿,以使稳像后的图像清晰,易于接下来的目标检测,结合视频图像给出了电子稳像算法的实现。实验结果表明:该算法对获得的海上目标视频稳像效果较好。其次,为提高目标检测精度,采用基于卷积神经网络的faster rcnn算法,分析了faster rcnn算法的基本原理及网络结构,并对其进行了改进,主要从以下三点(1)采用resent进行网络提取;(2)融合batch normalization层优化网络结构;(3)引入online hard-example mining改善训练算法。并分别在开源数据集voc2007上进行测试检测效果。实验结果表明:改进算法具有比原算法更好的检测精度。最后,将上述算法及其改进算法应用于海上目标的检测。建立了常见海上目标(主要包含了水面舰艇,固定翼飞机,以及直升机)的数据库,利用标注好的数据库训练并测试faster rcnn算法及其改进算法的检测效果。实验结果表明:该算法可以对常见的海上目标进行有效的识别。