近年来,基于深度学习的遥感图像目标检测在很多场景和领域中得到了广泛的应用。但在针对海面遥感目标的检测任务时,由于卫星遥感图像数据采集成本高、成像质量不稳定,导致可用于深度学习训练的样本非常少。因此,为了更加容易地获得数量多、质量好、样式可控的海面遥感目标图像,本文提出了基于样式（Style）的海面遥感目标图像生成对抗网络。该方法结合了生成对抗网络（Generative Adversarial Networks,GANs）和Style样式控制机制,可以生成目标检测训练所需的海面遥感目标图像。主要研究内容如下:1.研究和改进了渐进式生成对抗网络PGGAN（Progressive Growing of GANs）模型。由于本文研究的海面遥感目标图像生成网络采用了渐进式方式训练,所以为了提高遥感图像的生成质量,本文研究和改进了PGGAN网络模型。首先,针对该方法在海面遥感目标图像生成时存在样本细节失真、模式崩溃问题重新设计了鉴别器的损失函数,提出了满足1-Lipschitz条件的可激活惩罚项损失函数,提高了鉴别器对生成样本与真实样本之间距离分布的度量精度;其次,为了避免梯度消失和过拟合等问题,在生成器和鉴别器中引入了残差网络“Resnet”结构,让网络的某些层跳过下一层神经元的连接,弱化每层之间的强联系,使得图像特征在层与层之间更好地进行传递。2.设计了基于Style的海面遥感目标图像生成对抗网络。主要工作体现在:（1）网络在鉴别器中引入了可激活惩罚项损失函数,从而使得生成图像的细节更加逼真;（2）为了解决生成结果中舰船目标无法很好的与海岸、港口区分问题,本文将自注意力机制引入到网络中,这使得网络可以忽略非目标的特征,学习样本中特定目标的特征;（3）在鉴别器中引入了自适应数据增强技术,减少了网络对样本数量的依赖;（4）通过在生成器中添加Style样式控制机制实现对目标图像的样式控制,提高了生成样本的样式丰富性。综上所述,本文提出的基于Style的海面遥感目标图像生成对抗网络是一种有效的数据增强方法。首先,在改进的PGGAN模型中重新设计了损失函数,同时改进了生成器与鉴别器网络结构。然后在改进的PGGAN的基础上引进了自注意力机制和自适应数据增强机制,并且添加了样式控制合成机制。最后提出了基于Style的海面遥感目标图像生成对抗网络。通过实验定性与定量的分析表明,该方法在IS、FID指标下对海面遥感目标图像的生成优于现有算法,可以用于提高海面遥感目标检测的训练效果。