目前,具有高分辨率SAR成像功能的卫星逐渐增多,这使得高分辨率和超高分辨率的SAR图像数据越来越丰富,依靠SAR卫星全天时、全天候的优势,针对SAR图像的解译研究也逐渐深入。在海洋运输高度发达、海洋周边环境逐步复杂、大型港口建设层出不穷的今天,对海面目标和港口内目标的监视和识别具有强烈的应用需求。对SAR图像的海面目标监测和识别成为了具有重要实际应用意义的研究课题,本文面向高分辨率SAR图像,主要进行了近海岸舰船目标的检测和分类研究,完成了对不同环境下船只的检测工作以及对船只大致类别的区分。文章的主要内容如下:首先,对国内外学者对舰船特性分析、SAR图像舰船目标检测和SAR图像舰船目标分类的研究现状进行了总结,明确了本文的研究方向和研究意义。接下来,本文对SAR图像舰船目标多种特征的提取进行了研究,其中,主要针对Pol SAR图像进行了特征提取的研究。本文还对SAR图像的船海特性进行了详尽的分析,主要研究了SAR图像中舰船目标的特点,针对不同的极化通道,研究了船海特性在不同极化条件下的差异,还对几种比较典型的舰船目标的几何特性进行了分析,为后续舰船目标的目视解译以及舰船目标的特征提取和类别区分奠定了基础。然后,本文在对舰船目标进行了极化特征、纹理特征的提取以及几何特性分析后,重点研究了如何有效利用大量的特征提取结果。本文利用Relief F算法对大量的舰船目标特征进行了衡量,筛选并构建出精简高效的舰船特征空间。利用精简过的特征空间完成了基于Relief F-SVM的舰船目标检测方法,并对单极化高分辨率SAR图像中的舰船进行了检测,还对检测结果结果进行了分析,比较了极化特征的引入对于舰船目标检测效果的提升。最后,在舰船目标检测结果的基础上,本文对检测目标进行了切片处理,构建了包含军船和商船两大类,细分为四个小类的数据集。然后利用深度卷积神经网络VGGNet结合模型迁移方法,完成了对本文构建数据集的分类,并采用传统的多类别SVM分类方法进行了对比实验,最终实现了舰船目标的高精度分类。