合成孔径雷达（SAR）图像在军事和民用领域有着重要的应用。然而随着SAR成像能力的提升,SAR成像场景越来越大导致舰船目标检测存在两个难点:一是舰船目标在整幅图像中所占的比例极小,很难与周围背景分开。并且由于陆地区域的影响,可能会产生许多误报。由于大场景SAR图像中的大部分区域都被视为背景和杂波,并且舰船目标分布不均,很多区域并不含有舰船目标;二是近岸区域舰船目标通常密集排列,目标之间难以区分。而目前常用的基于锚框（anchor box）的检测方法面对SAR图像密集停靠舰船以及大场景SAR图像舰船目标检测存在漏检问题。本文以SAR图像理论为基础,重点围绕SAR图像密集停靠舰船目标检测以及大场景SAR图像舰船目标检测等方面开展了研究。随着深度学习的发展,人们将CNN的方法广泛应用到SAR舰船目标检测中,本文首先详细介绍了CNN的原理及发展历程。针对密集停靠的舰船检测问题,本文提出了基于Center Net的检测方法。采用Center Net无锚框（anchor free）检测器,通过关键点估计得到目标的中心点,并由中心点的信息回归得到目标边界框来实现目标检测,从而有效避免了基于锚框的检测方法可能存在的漏检问题。然后针对大场景SAR图像舰船目标的检测,本文提出了一种基于Spatial Shuffle-group Enhance（SSE）注意力的大场景SAR图像舰船目标检测算法。首先进行海陆快速分割,然后将SSE注意力模块引入Center Net。SSE将卷积神经网络的通道分组和混洗,分组卷积减少了神经网络的计算量。通道混洗加强了通道间的联系,可以提取更强的语义特征,同时抑制一些噪声,以减少由近海和内陆干扰引起的误报。对于密集停靠的舰船,基于Center Net的舰船检测方法性能优于anchor based的舰船检测算法。在数据集SAR ship-Dataset上的实验表明,本文所提出的方法其性能优于Faster R-CNN,SSD,YOLO,FPN及其变体。对于来自Sentinel1的大场景SAR图像中的舰船目标,本文所提出的方法比其它现有大场景SAR图像舰船检测算法更加有效且准确。