随着人类对海洋越来越多的关注，舰船已成为人们利用海洋、开发海洋的重要工具之一。为了更好地获得舰船目标的信息，舰船目标检测技术应运而生，应用领域主要集中于海域监控、海上搜救、渔业以及反恐等多个方面。　　 与传统的基于合成孔径雷达(SAR)图像的检测算法不同，基于光学遥感图像的检测算法因为光学图像自身成像的特点往往使得舰船目标提取更为困难，而这又是最近几年相关文献回避的问题。因此，针对上述问题的舰船目标检测算法的研究具有重要的理论研究意义和实用价值。本论文在广泛调研相关文献的基础上，设计了基于光学遥感图像的舰船目标检测算法，并在最后给出基于GoogleEarth平台的舰船目标检测原型系统。　　 本论文的主要研究工作和贡献如下：　　 1.提出一种基于图像3D重建的海陆分割(Segmentation of Sea andLand based on3D Reconstruction，SSL-3DR)算法。实验结果表明该算法相比与传统2D的阈值分割算法，对于陆地刻画得更精准，且鲁棒性较高。　　 2.提出一种基于图像内容特征分析与反馈学习的大规模云检测(Content-based Image Analysis-Feedback Learning for Cloud Detection，CBIA-FLCD)算法。实验结果表明，该方法的检测率较高，在速度、鲁棒性、反馈机制以及并行性等方面均优于其它基于学习的云检测算法。　　 3.针对复杂海况背景下的舰船目标检测，提出一种基于人眼多级视觉感知和视觉非对称机制的检测算法(Ship Detection based on Multilevel VisionPerception-Dissymmetrical Allocation of Visual Attention，SDMVP-DAVA)。实验结果表明，该算法舰船目标检测率较高(为89.3％)，而传统基于分割的检测算法仅为62.3％。并且该算法鲁棒性较高，在复杂海况背景下依然拥有较高的检测率和较低的虚警率。　　 4.以上述算法为基础，搭建了基于GoogleEarth平台的舰船目标检测原型系统，通过实验证明了该舰船目标检测算法相比传统的检测算法有着更高的检测率和更低的虚警率(本文算法的检测率和虚警率分别为85.6％和5.8％，而传统算法检测率为51.3％，虚警率在复杂海况下因为失效而无法统计)。