近年来,基于卫星遥感图像以及相机视频图像的目标检测技术发展比较迅速,特别在民用领域和军用领域,各国学者在船舶目标检测上都取得了一定的发展与突破。然而,在研究的过程中,理想化的实验环境远远不及现实环境,噪声、复杂背景等因素的干扰,都会影响最终的检测效果,而现有的理论成果在检测率、检测速度以及算法通用等方面都还有着不足之处。因此,如何在复杂的环境中高效地检测出船舶目标成为了本文的研究重点和关键。随着机器视觉的快速发展,它的非接触性、实时性、可靠性、高自动化性、高精度性等特点使得目标检测技术已经普及到各行各业。窄化,就是人们在对事物的认知、思维、感觉或者情感向着某一方向高度集中时,所涉及的范围越来越局限、越来越狭窄、越来越收缩,有针对性地选择多个属性中的一个属性或者缩小某个属性的过程。本文在Faster R-CNN卷积神经网络中加入了场景窄化与主题窄化的语义算法,加快了检测速度,另外子网络与主网络在特定情况下也存在着窄化关系。因此,窄化对机器视觉中的图像处理而言是一种新的概念,有着一定的积极意义。众所周知,目标检测过程大致包括:预处理、图像分割、特征提取以及分类器检测。而针对本文的研究重点——图像特征提取、神经网络检测,已取得如下成果:1、为了提高对高分辨率遥感图像中船舶目标的检测,提出一种基于SRM分割和分层线段特征提取的船舶目标检测方法。由于高分辨率遥感图像是一种大幅面的图像并且细节丰富、纹理复杂,分析比较困难。因此,本文首先对图像进行降尺度处理,采取降采样方法对图像进行缩小;然后根据线段提取方法,利用分层线段方法搜索更新以及合并附近在阈值下的线段,形成区域线段并通过与船舶的长宽比特征进行比较实现船舶目标的快速检测。实验结果表明,本文的检测方法能够有效地检测出高分辨率遥感图像中的船舶目标,而且采用分层线段特征提取方法的性能优于其他常用方法,且不需要太多的参数和训练样本。2、针对基于分层线段特征提取的船舶目标检测方法对视频图像检测存在的误检率较高问题,本文提出了具有窄化语义的Faster R-CNN卷积神经网络的船舶目标检测方法。首先对相机视频进行抽帧并对抽帧后的图像进行标注;其次对图像进行场景窄化,窄化到船舶目标区域;然后把窄化后的船舶目标图像放入搭建好的具有主题窄化功能的深度卷积网络中进行训练;最后通过完成区域生成网络构建、感兴趣区域池化、分类、非极大值抑制等四个基本目标检测步骤实现对船舶目标的检测。实验结果表明该方法适用于遥感图像以及视频图像,能够有效地检测出图像中的船舶目标,且加入窄化语义后的Faster R-CNN卷积神经网络的检测所需时间比未加入窄化语义的检测所需时间少。