目标检测广泛应用于人机交互、安防监控、无人驾驶、航空航天、海洋等诸多领域,是计算机视觉领域的重要研究课题。随着近些年海上运输行业的迅速发展,对海上船舶目标检测任务提出了更高的需求。船舶目标检测将船舶目标分类任务和船舶目标定位任务合二为一,船舶目标分类任务负责区分前景和背景,船舶目标定位任务则负责用边界框标注出船舶的位置。检测精确度和检测速度正是海上船舶检测任务中的关键因素。海上船舶图像的来源包括合成孔径雷达（Synthetic Aperture Radar,SAR）图像、光学遥感船舶图像和红外遥感船舶图像,不同于自然图像,SAR图像因其独特的成像方式而不受光照条件和天气条件的影响,因此被广泛应用于海上船舶目标检测的相关研究。传统SAR图像船舶目标检测方法往往导致模型鲁棒性比较差。为了取得更加精准的船舶检测结果,本文基于具有较强表征学习能力的深度学习,重点研究了 SAR图像中的船舶检测问题并对其进行改进,从而优化SAR图像中的船舶检测效果,对于更高检测性能的船舶目标检测算法的研究具有一定意义。本文的主要研究内容如下:（1）基于深度学习的目标检测算法主要包括一阶段检测算法和两阶段检测算法,本文分别基于具有代表性的两阶段检测算法Faster R-CNN、由两阶段检测算法延伸出的Cascade R-CNN算法,以及一阶段检测算法中的代表性算法RetinaNet和Libra RetinaNet开展了 SAR图像船舶目标检测的研究,以确定在SAR船舶图像上表现较好的目标检测算法类型。（2）基于深度学习的目标检测算法在一定程度上是靠数据来驱动的,越丰富的数据集通常能带来越好的结果。由于原始SAR图像船舶数据集数据量不足且图像背景复杂度有限,因此本文围绕SAR船舶图像开展了有效数据增强方法的研究,提出了基于风格迁移的SAR船舶图像数据增强方法来扩充数据集以获得更为丰富的SAR图像船舶数据集,从而提升检测模型在SAR图像船舶数据集上的检测性能。（3）SAR图像船舶目标检测目前面临的一大挑战就是小目标检测问题,而特征提取过程中低层特征挖掘细节信息,包含更多关于边缘和轮廓的信息,这些信息对于小目标检测有着重要意义。又由于一阶段目标检测算法在保证检测精度的同时能保证相对快的检测速度,因此本文基于一阶段检测算法Libra RetinaNet,从减少特征传递过程中低层特征损失的角度出发,提出了改进的Libra RetinaNet算法,改进了模型中的特征融合模块以更好地保存和传递低层特征,最终改进的Libra RetinaNet模型在SAR图像船舶测试集上取得了 97.38%的平均精度均值（mean Average Precision,mAP）。