随着遥感图像技术和深度学习技术的发展,遥感信息与人工智能结合的图像处理方法逐渐在图像领域中占据主要位置,以遥感图像为应用对象的目标检测算法也层出不穷。由于遥感领域的特殊性,准确高效的船只检测方法对国家水域监控以及领土安全监护具有重要意义。但与普通图像相比,遥感图像很容易受到光照、海况、天气或成像时间等因素的影响,并且遥感图像具有高分辨率和内容丰富的特点,不同场景不同环境下遥感图像的特征信息差异性较大,目标形态、纹理特征多样。对于传统的图像处理方法来说,如何正确处理这类信息是一项巨大的挑战。本文结合深度学习中目标检测和实例分割两个不同方向的研究内容,针对遥感图像船只检测任务提出一种集成检测方法,有效提升了检测精度。本文主要内容如下:(1)介绍基于传统图像处理的遥感图像船只的检测方法,分析其处理复杂场景下遥感图像的能力和识别精度,总结优缺点。针对使用传统手工设计特征处理图像的缺陷,利用深度学习的方法进行改进。本文采用单阶段目标检测框架SSD(single shot multibox detector)作为研究对象,针对船只检测这个任务进行研究,显著提升了船只的检测精度,并分析精度提升的原因以及采用的改进方法。(2)收集遥感图像数据集,采集的数据分别由开源数据和手工采集的数据组成,并制作特定格式的标注信息。总体数据集分为训练集、验证集和测试集,一共72860个样本以及相同数量的标注信息,分辨率均为768*768px。针对船只数据集的特点,对SSD框架进行改进,利用重新设计的多尺度融合框架、有效处理正负样本不均衡的Focal Loss函数和Soft-NMS后处理方法,进一步提升SSD目标检测框架检测船只的精度,其准确率达到93.7%。(3)研究基于深度学习的实例分割技术,并对收集好的遥感图像船只数据集进行训练,添加像素级别的标注信息。本文采用Mask R-CNN网络框架对船只图像进行处理,基于数据特点对框架做出特定改进,得到的92.9%的检测精度。随后分析目标检测和实例分割的内在联系,将两者的主干结构进行组合,充分利用两者提取特征的相关性,使得目标检测中的预测框与实例分割中的掩码互相弥补促进,进一步提升船只的检测精度,最终达到94.3%的准确率。(4)对本文工作进行总结,简单分析基于神经网络的模型在速度上的缺陷,尝试采用剪枝和量化的方式对训练好的模型进行压缩,提升算法的执行效率,可以发现经过压缩后的神经网络不论在参数量和计算量相比于优化前的网络有较大提升。