多源舰船目标识别,相比于单模舰船可见光图像识别和单模舰船SAR图像识别,可以结合不同传感器所成图像之间的信息,因此不仅具有更高的识别精度,还能有效应对噪声、天气条件等因素的影响。本文使用了轻量级的SAR目标识别网络和Dense Net-49分别作为舰船SAR图像和可见光图像的特征提取网络,采用CCA对异源图像的特征进行变换并构建了融合识别网络。本文的研究目的是利用多源融合识别来克服单模舰船目标识别系统的缺陷,提高自动目标识别系统的识别率和鲁棒性。全文的研究内容如下:首先本文介绍了SAR目标识别、可见光目标识别和融合识别领域的国内外研究现状,对相关领域未来的发展进行了展望。其次,本文研究了在SAR目标识别领域中深度神经网络的应用。根据SAR图像难以大量获取和标注的特点,针对性地采用了SAR图像数据增强方法训练单模SAR识别网络。设计了多尺度多方位的Gabor滤波器初始化的Inception模块,提取SAR图像的纹理特征进行预处理。同时提出了融合不同特征层特征的网络结构,有效地提高了识别率。在MSTAR数据集上实现了99.83%的识别率,在舰船SAR图像数据集上也实现了99.70%识别率。本文同时使用舰船可见光数据集训练并测试了Dense Net-49。Dense Net-49在Dense Net-121的基础上削减了若干网络层数并修改了增长率等参数,在维持了原Dense Net-121网络对于舰船可见光数据集的识别表现的同时,减少了网络的参数总量。该网络在舰船可见光数据集上实现了98.33%的识别率。最后,本文探究了基于CCA的特征融合方法,通过CCA对异源图像特征进行特征变换和融合,并设计了由全连接层组成的分类器网络。同时,根据一一匹配的可见光图像和SAR图像数据较少,而单独的可见光图像数据集和SAR图像数据集总量相对较大的特点,提出了通过用可见光数据集和SAR数据集训练单模识别网络,再由配准数据训练融合网络的方法。实验结果在加噪图像上效果显著,较单模识别网络有所提升。