卫星遥感图像的舰船目标检测是为了对图像中舰船进行定位。在典型的深度学习算法中,通常用水平-竖直方向的边界框去定位待检测的目标。然而卫星遥感图像中的舰船目标分布是任意方向的,对于具有任意方向的狭长形的舰船目标,用水平-竖直边界框去定位其实并不够准确,尤其是当图像中存在许多并排靠近的舰船时,可能会因为相邻的边界框重叠而导致无法对舰船进行定位。因此,在检测中使用旋转边界框更有利于对舰船目标的定位。本文针对上述问题展开研究,主要研究内容如下:（1）针对如何使用旋转边界框去定位舰船目标的问题,本文提出了一种基于密集子区域切割的任意方向舰船检测算法。首先沿长轴方向,将舰船整体密集切割为若干个包含在正方形标注框内的局部子区域,确保标注框内子区域面积的有效占比,以保证核心网络YOLOv3（You only look once,YOLO）的泛化能力;然后以子区域为检测目标,训练核心网络,在训练过程中对重叠子区域进行整合;最后基于子图分割将检测得到的子区域进行合并,进而估计方向角等关键舰船目标参数。实验证明,算法实现了用旋转框去定位舰船目标,并在HRSC2016（High Resolution Ship Collections,HRSC）实测数据集上,与最新的改进YOLOv3、RRCNN（Rotated Region Convolutional Neural Network,RRCNN）、RRPN（Rotation Region Proposal Networks,RRPN）、R-DFPN-3（Rotation Dense Feature Pyramid Networks,R-DFPN）、R-DFPN-4等5种算法进行了比较,相较于检测精度最高的R-DFPN-4对照算法,mAP（mean Average Precision,mAP）（IOU=0.5）（Intersection over Union,IOU）值提高了0.9%,平均耗时降低了57.9%。（2）密集子区域切割的任意方向舰船检测算法存在不足:a)对于首尾相连的两个舰船目标,算法在合并时无法将首尾相连的部分进行区分;b)存在某些舰船由于子区域结果不够密集,算法在合并后出现连续的多个检测框。针对上述不足,提出了一种基于密集子区域类型细分的任意方向舰船目标检测算法。首先根据舰船的船头船尾的特点,将舰船整体目标密集子区域细分成船头船尾类和船身类;然后以船头船尾和船身两类子区域作为检测目标,利用核心网络YOLOv5进行检测;最后根据核心网络检测得到的船身类密集子区域去预估计出舰船目标的参数,再通过检测得到船头船尾类密集子区域来修正预估计出的舰船目标参数,得到完整的舰船目标整体参数。实验证明,算法解决了密集子区域切割的任意方向舰船检测算法无法将舰船首尾相连的部分进行区分和某些舰船检测时出现连续的多个检测框,并在相同实验环境下,算法相比于密集子区域切割的任意方向舰船检测算法性能有所提高,其mAP提高了2.9%,平均耗时降低了23.8%。（3）根据两个算法的具体实验过程,设计了一系列的算法实验相关的辅助软件,包括数据增广软件、密集子区域切割软件、图像舰船目标检测软件等辅助软件,使更加方便的完成实验。