海洋在二十一世纪受到了越来越多的关注,无论是海洋资源的开发,保护作业安全,还是海洋领土意识的觉醒,保护海洋领土不受侵犯,都需要快速获取海上目标的信息,因此如何利用现代技术实现海上目标的快速识别和定位成为了一个非常迫切的需求。随着现代成像技术的发展,图像的分辨率和质量越来越好,同时随着深度学习的迅猛发展,在视觉领域展现了其对传统方法的巨大优势,因而采用基于深度学习的方法解决海上舰船检测问题成为一种很有潜力的方法。在目标检测领域经常会遇到检测目标的尺度大小不一、检测目标过小的问题,这会带来检测上的难度。同时在面对特定的检测场景时,训练神经网络的数据量常常不足,这会导致最终的检测效果不佳,急需解决这种小样本训练问题。同时在将模型部署到移动端时要对模型的规模和移动硬件实际的计算资源进行权衡。因此,针对以上问题,本文从以下方面进行研究:首先,研究深度学习,特别是在图像处理领域表现优秀的卷积神经网络的原理,分析其自动提取特征的机制,研究基于深度学习的目标检测算法,分析各算法的特点和优劣之处,将相应的算法引入舰船检测领域,根据舰船检测中面临的问题:要有良好的实时性、在小目标检测上表现良好、对目标分布密集检测效果好,采用了了基于卷积神经网络的YOLO3算法。接着,针对特定的检测任务中常常出现数据收集困难,数据量不足,导致深度模型的训练常常欠拟合,检测精度不高,针对这种小样本训练问题,本文将生成式对抗网络引入到舰船检测中,对收集到的数据集进行数据增强扩充数据集来缓解欠拟合,提升算法的效果。最后,舰船检测识别常常需要良好的实时性,并且经常是在如小型无人机这种移动设备上使用,这种设备通常为了移动性能、轻便,不会提供过多的计算资源,不会像在服务器上有计算性能良好的硬件支持,因此本文将训练好的模型部署在JETSON NANO,一种新型的嵌入式移动开发板,检验其在移动端的表现。本文实现了对检测目标过小、分布过密情况下的良好检测,同时针对数据量不足的场景下,通过采用生成式对抗网络对数据集进行扩充,实现了提高检测精度的目标,并对模型在部署到移动端时,面临计算资源不足的问题,使用了精简的模型进行部署以完成检测任务,评估了运行时间与精度的情况,为后续的工作打下基础。