近年来,海洋资源是国家重点关注的问题,船只是海上最重要的运输工具与载体,也是军事活动中的重点打击目标,对海面的监管需要快速高效地获取海上目标的信息,图像目标检测与识别成为了海面监控的重要手段,所以对船只的检测识别在民用和军事领域都有着广阔的应用前景。本文基于以上应用场景,对航拍海上船只的检测进行了研究,并且设计实现了一套海上船只检测识别系统。由于航拍海上船只会受到天气、光照的影响以及航拍可能会导致船舶图像特征的弱化,所以传统的船只目标检测难以满足船只的智能检测需求。本文选择基于深度学习的目标检测方法进行了对海上船只的检测识别,通过调研基于深度学习的船只目标检测算法,本文使用了基于回归思想的YOLOv3算法。针对航拍船只图像的特点提高YOLOv3网络模型的检测精度,本文从两个方面对算法进行了改进:用密集模块连接代替YOLOv3原特征提取网络中尺度2和尺度3预测输出层中的残差模块;对于多尺度的检测,将YOLOv3的3尺度检测提升为4尺度检测。这样改进的YOLOv3算法具有更好的检测精度,也在小目标的检测上有了一定的改善,同时能够满足实时检测。为了进一步提高对小目标船只的检测精度,防止出现漏检情况。本文用基于深度学习的另外一种算法对航拍图像小目标船只的检测进行了研究。本文提出了基于特征融合的SSD算法,该算法以SSD为基础,选取轻量级VGG16网络作为特征提取的骨干网络,然后设计特征融合模块,从而得到结构层次丰富的特征。本文采用将低层特征融合到高层特征的SSD改进方法。低层特征包含较多小目标信息但是包含的语义信息比较少,高层特征虽然包含的语义信息比较丰富但是包含的小目标信息就比较少了,所以使得小目标信息在低层特征和高层特征处都比较难检测出来。将低层的特征进行池化操作后,然后通过串联的方式再与高层特征进行融合,这样会使得高层处的特征增加较多低层特征,从而得到丰富的特征来提高小目标检测的精度。通过实验验证本文将conv4＿3+conv7处的特征作为被融合的特征。最后,根据本文的研究成果,并结合实际的需求。设计并实现了海上船只检测识别系统。本系统是基于Qt的客户端船只检测识别软件和基于Django框架的Web端检测信息管理平台组成。通过对系统功能的测试,能够满足性能需求,具有比较高的应用价值。