目标检测技术是一种识别并定位图像中特定目标的技术,它是图像理解的一个重要环节,一直以来都是国内外学者的研究热点。随着卫星技术的发展,尤其是高分三号等卫星的发射,大量的合成孔径雷达(Synthetic Aperture Radar,SAR)图像可用于动态监测海洋,推动了 SAR图像舰船目标检测任务的发展。不同于自然图像目标检测,SAR图像舰船目标检测具有图像分辨率较低、舰船目标特征多样等多方面特点。现有SAR图像舰船目标检测算法对多源SAR图像进行目标检测时,仍然存在对不同尺寸舰船检测性能不鲁棒、陆地区域虚警率高等问题。另一方面,深度学习技术在计算机视觉领域取得了飞速发展,它能够利用神经网络以数据驱动的方式智能地发掘图像特征,从而出色地完成任务。因此,针对以上问题和挑战,本文采用深度学习技术对SAR图像舰船目标检测展开研究,具体如下。首先,针对现存算法在陆地区域误检率高的问题,本文提出了基于海陆分割的舰船目标检测算法LDSSD(Land detectable SAR ship detector)。该算法基于卷积神经网络设计了两个模块:海陆分割模块和舰船目标检测模块。海陆分割模块用于像素级地识别图像中的陆地区域;舰船目标检测模块用于识别并定位舰船目标。最后,算法融合两个模块的结果,从舰船目标的检测结果中筛除陆地区域的误检目标。其次,在公开的SAR图像舰船目标检测数据集SSDD上的实验结果表明,本文的LDSSD算法可以有效降低陆地区域的误检率,能够适应不同分辨率、不同来源的SAR图像,并且对不同场景下的多尺度舰船目标具有鲁棒性。特别地,为了验证本文提出的基于海陆分割的舰船目标检测算法,本文构建了本领域首个SAR图像海陆分割数据库SLSS(Sea-land segmentation dataset on SAR images),并将其应用于本文提出的 SAR 图像海陆分割模块的训练。该数据库涵盖了不同分辨率、尺寸、海况、传感器类型等条件下的SAR图像,包含了 1270张图片及其对应的真值,体现了舰船图像的丰富性和多样性,为本领域研究提供了有效的支撑。上述工作在改善SAR图像舰船目标识别精度上进行了有益探索,丰富了舰船目标识别理论,提高了 SAR图像舰船目标识别的实用性。