近年来,舰船作为重要的海洋交通工具和有价值的军事目标,对其遥感图像进行自动检测具有重要的现实意义。但实际情况中,遥感图像往往会受到复杂海情的影响,例如云雾遮挡、岸基干扰等,这些因素都会增加舰船检测的复杂度。本文在研究遥感图像特性的基础之上,依托现有的深度神经网络方法,开展了基于DNN的遥感图像海面目标检测技术的研究,主要研究内容包括如下:(1)研究了将深度神经网络应用于遥感图像海面目标的检测,并利用Faster R-CNN-vgg16、Faster R-CNN-res101、YOLO v3算法完成了网络的训练。自行采集海面目标的数据集并进行了标注,保证了训练样本的数量,丰富了样本中的舰船朝向,使得学习到的模型具有广泛性。(2)针对Faster R-CNN算法的目标检测准确率低、耗时长等问题,本文提出了基于Faster R-CNN的改进算法。首先,利用聚类方法重新生成RATIOS的大小及个数;其次,将NMS替换为Soft-NMS。经实验表明,相对于Faster R-CNN-vgg16、Faster R-CNN-res101,改进后Faster R-CNN算法的m AP值分别提高了2.02%、0.94%。(3)针对YOLO v3算法的目标检测模型存在准确率偏低的问题,本文提出了一种新的改进算法。首先,使用Kmeans++聚类方法对数据集进行了分析,并生成适合数据集的anchor box值;其次,通过修改特征提取网络结构和将GIo U作为坐标预测的损失函数,从而获得了新的检测算法。实验表明,G-YOLO v3方法在检测准确率、检测速度方面均有明显提升。相比于Faster R-CNN-vgg16、Faster R-CNN-res101、改进后的Faster R-CNN、YOLO v3,其准确率值分别提升了7.86%、6.78%、5.84%、1.38%。在检测速度方面,G-YOLO v3方法检测每张图片的速度达到了0.115s,相比上述4种方法,检测速度平均提升了0.138s。综上所述,本文提出的遥感图像海面目标检测方法能够有效提升复杂海洋背景下的目标检测效果,为海面舰船目标的检测提供了一种更好的解决方案。