海事目标的检测识别是海洋态势感知的关键技术,是支撑海战场信息化作战的核心要素。其中,舰船舷号作为诸多海事目标的典型代表,实现精准的舷号检测识别对海洋权益保护具有重要意义。传统的舷号检测识别方法多依靠人工设计的特征,这类算法性能较差且泛化能力较弱。近几年,深度学习凭借强大的特征提取能力在目标检测识别领域取得了出色的效果。然而,由于当前舰船舷号数据集相对匮乏,且深度学习在舷号检测识别的应用较少,同时现有的舷号检测识别方法又难以满足需求,所以对于研究基于深度学习的舷号检测识别需求是非常强烈的。因此,本文将深度学习引入舰船舷号的检测识别任务中,以提高舷号的检测识别性能,具体研究内容如下:（1）针对舰船舷号数据集匮乏的问题,本文构建了一个真实场景下的稀疏舰船舷号数据集（SSHN-RS）,该数据集包含3004张舰船图像,共计11328个舷号字符,覆盖了多国、各类、水平、倾斜、背景简单、背景复杂、光线不佳和被遮挡的舰船舷号样本,是一个具有挑战性的数据集。同时,深入研究基于深度学习的通用实例分割算法在SSHN-RS上的表现,通过对比实验结果,选择Center Mask2作为后续研究的基准模型,并总结出舷号检测识别过程中的难题:1)样本稀疏,模型容易过拟合;2)舷号字符分布密集,网络难以充分提取各字符特征;3)部分字符存在嵌套区域和相似区域,结果含大量冗余字符。SSHN-RS可通过https://github.com/Bingchuan897/SSHN-RS获取。（2）针对舷号样本稀疏、字符存在嵌套区域、字符间存在相似性导致检测识别结果存在大量错检和冗余重叠掩码的问题,本文基于Center Mask2算法提出了一种基于多视角空间抑制的舰船舷号检测识别算法（SHNDR-MVSS）。首先,提出了一种固定中心和最大化面积的随机透视变换技术,扩充了舷号的空间姿态,提升了模型的泛化能力;其次,提出了一种一维非极大值抑制技术,一定程度抑制了测试结果中的冗余字符。实验结果表明,SHNDR-MVSS算法有效提升了舷号的检测识别性能,其中,检测精确率显著提升了2.95%,识别率提升了5.47%。（3）针对舷号字符分布密集导致检测识别结果存在大量漏检,以及一维非极大值抑制技术难以高效滤除重叠掩码中错误字符的问题,本文基于SHNDR-MVSS算法提出了一种基于上下文解耦增强的舰船舷号检测识别算法（SHNDR-CDE）。首先,提出了一种渐进式上下文解耦技术,增强了密集字符的特征表达,提升了算法的召回率;其次,提出了一种掩码间扰动抑制技术,不仅提升了舷号字符的检出率,而且高效抑制了重叠掩码中的错误字符。实验结果表明,SHNDR-CDE算法有效提升了舷号的检测识别性能,其中,检测召回率显著提升了2.25%,识别率提升了3.36%。