合成孔径雷达（Synthetic Aperture Radar,SAR）是一种主动式微波传感器,在海洋舰船监测中具有重要的应用价值。基于深度学习的SAR舰船目标检测算法具有高精度的特点,是舰船监测中最为关键的技术,然而此类算法仍存在以下两点问题亟需解决。首先,受SAR图像大场景、强杂波的影响,此类算法通常需要进行密集滑窗提取子图像预处理,因而存在大量陆地场景冗余信息,导致检测效率低和虚警较多;其次,此类算法大都依赖大内存和高计算能力的设备,在嵌入式设备上应用困难且实时性较差。为此,本文主要从检测流程和检测模型两个方面对SAR舰船目标检测算法展开研究,旨在提高舰船目标检测算法的性能和效率,主要工作与创新如下:（1）基于场景分类的近岸区域SAR舰船目标检测算法。SAR图像场景通常较大,基于深度学习的SAR舰船目标检测算法需密集滑窗获得尺寸较小的子图像,此步骤往往存在大量冗余信息,导致检测效率低和虚警率高。针对上述问题,提出一种基于场景分类的近岸区域SAR舰船目标检测算法。首先为了提高目标检测的效率,引入场景分类网络,其采用的是区域级分割,不需要精确的像素级分割,可以剔除大量陆地场景的冗余信息,筛选出可能包含舰船的子图像。然后将场景分类网络与SSD（Single Shot Detector）结合,构建大场景下的SAR舰船目标检测算法进行精细化的舰船目标检测。基于实测AIR-SARShip-1.0舰船数据集上的实验结果表明,相比于其他舰船目标检测算法,提出的算法在保证较高检测精度的前提下,检测速度提升明显。（2）基于知识蒸馏的SAR舰船目标检测算法。基于深度学习的SAR舰船目标检测算法通常依赖高计算能力和大内存的设备,实时性差且在嵌入式设备上应用困难。针对上述问题,提出一种基于知识蒸馏的SAR舰船目标检测算法（SSD-Mb2-KD）。首先为了降低模型的复杂度构建了轻量化模型（SSD-Mb2）,该模型的特征提取网络是基于Mobile Net V2进行改进,使其更适用于在嵌入式设备上应用;然后为了提高SSD-Mb2的检测精度构建了知识蒸馏算法SSD-Mb2-KD,该算法将SSD的多尺度特征层输出作为知识,采用离线蒸馏的方式指导SSD-Mb2学习,可以提高SSD-Mb2的表征能力。基于HRSID实测舰船数据集的实验结果表明,相比于其他深度学习检测算法,SSD-Mb2-KD算法在保证较高F1分数的同时,检测速度提升很大。