合成孔径雷达（Synthetic Aperture Radar,SAR）成像技术的快速发展,为遥感信息系统提供了丰富的高分辨率SAR图像。其中,海洋舰船目标检测是SAR图像处理的重要部分,为海洋监测、军事安全、民防建设等提供了强有力的技术支撑。传统的SAR图像舰船目标检测算法依赖手工设计特征,难以保证舰船检测的准确率和检测效率。凭借强大的特征表达能力,基于深度学习技术的目标检测算法逐渐成为SAR图像舰船目标检测领域新的研究趋势。然而,当前主流的基于深度学习的目标检测算法网络结构复杂,模型的计算量和参数量大,需要大量的算力支持,难以满足实际应用中的移动端部署和实时性要求。另外,由于SAR图像从距离很远的高空获取海面图像,易受复杂的海面环境、多变的天气状况以及SAR成像系统的参数设置等各种影响因素的干扰,容易造成舰船目标的误检、错检。而且,在SAR图像中舰船目标仅占整幅图像的很小部分,含有舰船目标特征可视化信息的像素少,也给SAR图像舰船目标检测带来了一定的难度。论文针对当前目标检测模型神经网络层数过深、海面环境复杂等问题,导致对SAR图像中舰船目标检测效果不佳的现状,以提高海洋遥感信息智能化水平为目标,对SAR系统成像原理、舰船目标特征提取、目标检测等相关技术理论进行研究,实现对SAR图像中舰船目标的快速、准确检测。本文的主要内容如下:首先,本文说明了SAR图像舰船目标检测的研究背景和意义,介绍了国内外SAR图像舰船目标检测算法的研究现状,将现有的舰船目标检测算法分成了传统方法和基于深度学习的方法两类,分别阐述了两类方法的实现原理、优势及存在的不足。然后,简要介绍了SAR系统的成像原理和图像特点,重点分析了影响S AR图像舰船检测效果的因素。阐述了深度学习相关技术以及目标检测算法理论,着重介绍了几种常见的目标检测算法和轻量化卷积神经网络,分析了基于深度学习的目标检测算法中的正负样本分配策略。其次,针对当前目标检测模型网络结构复杂,参数量和计算量大导致难以在实际场景中部署和应用的问题,本文在YOLOv5模型的基础上,对其主干网络进行改进,构建了Mobile Netv2＿YOLOv5和Shufflenetv2＿YOLOv5两种轻量化网络,在对比了两种改进后网络的参数量、计算量和检测性能之后,使用表现较佳的Sh ufflenetv2轻量化网络作为主干网络。然后,为了进一步提高舰船目标检测的检测精度,改善复杂环境因素干扰导致的舰船目标误检、漏检的问题,本文对Shuffle netv2＿YOLOv5网络进一步改进,引入Transformer模块构建特征图长距离全局语义信息,增强舰船目标的特征表达。使用FRe LU（Funnel Rectified Linear Unit）替换原YOLOv5的激活函数,进一步提高网络的性能。同时,提出一种自适应正负样本分配策略,改善正负样本失衡的问题,提高舰船目标的定位精度。最后,通过消融实验和对比实验,本文算法在SSDD数据集上的准确率为82.2%,FPS为193帧/s,在保证精度的情况下,实现了SAR图像舰船目标实时检测。在相同训练样本SSDD数据集和系统环境设置下,本文还改进Shufflenetv2＿YOL Ov5方法与Faster R-CNN、SSD、Retinanet等其他主流目标检测算法进行对比,结果表明本文提出的改进Shufflenetv2＿YOLOv5算法对SAR图像舰船目标检测在检测精度和运行速度两方面均具有明显优势。