舰船是一种重要的军事和民用目标,研究基于遥感图像的海面舰船目标检测与识别具有重要理论意义和应用参考价值。对于军事侦察和打击舰船目标任务而言,目标识别可以划分为三个层次:第一层次区别军舰民船,即检测和识别出是军舰还是民船,第二层次区别开军舰和民船中具体类别,即检测出军舰是航母、驱逐舰、还是护卫舰等,民船是货船、游轮、还是油轮等,第三层次分析军舰的具体型号。卷积神经网络(CNN)被广泛用于自然图像目标识别领域,近年来也不断被用于遥感图像领域,基于深度学习的目标识别是解决舰船目标检测与分类识别的前沿技术。针对遥感舰船目标识别任务,论文重点开展了第一层次海面背景下军舰与民船检测与分类识别方法研究,主要工作如下:(1)我国高分系列卫星图像分辨率已达1米,可以用于制作军舰和民船识别任务的样本。论文选用的目标类型如下:军舰(包括航母、护卫舰、驱逐舰、远洋舰),民船(包括游轮、渔船、货船、油船);为解决标注样本稀缺问题,采用数据增广方法,构建了一个包含6180张图像的数据集;(2)为了构建新的舰船目标分类识别模型,首先利用构建的数据集对两种典型的目标识别算法Faster RCNN和SSD进行了比较实验,Faster RCNN算法性能尚可,但速度较慢,SSD算法检测速度较快,但精度较差。论文在评估多种网络架构的基础上,以RetinaNet作为基础框架,加入聚类算法进行先验框选择,在不影响实时性情况下提升该算法的精确度。实验表明,改进的RetinaNet算法(聚类算法设计先验框)的目标检测和识别精度与Faster RCNN算法相当,速度接近于SSD算法。同时改进的RetinaNet算法是一种端到端的舰船目标分类识别算法。论文研究了基于深度学习的遥感图像舰船目标检测与分类识别,得到了一些有意义的结果,更精细的舰船分类识别将是下一步的研究重点。