舰船目标检测在遥感图像处理领域一直是研究的重点对象,无论是在民用领域还是军事领域都具有重要的应用价值。随着我国对地观测技术的不断发展,借助高分系列卫星可以获得海量的高分辨率光学遥感图像。高分辨率的光学遥感图像细节丰富,数据量庞大,目前使用传统的数据整理、人工检测和判读的方法已经无法满足数据处理的需求。近年来,伴随着深度学习在各领域的快速发展和应用,基于深度学习的卷积神经网络在目标检测领域也得到了广泛的研究。在大规模数据训练的前提下,卷积神经网络相较于传统图像处理技术,在目标检测领域具有更强的特征提取和数据拟合能力。但是随着卷积神经网络架构的快速更新迭代,网络模型的复杂度不断提高,计算量也随之增加,使用通用处理器计算时已无法提供足够的算力。如果利用GPU设备进行运算,在特定的应用领域同时也需要考虑设备功耗高的问题。基于以上技术背景,本文提供了一种数据集预处理算法及标注流程,对现有的目标检测网络结构进行了改进,同时基于FPGA设计了加速子系统,最终设计并完成了一套舰船目标检测系统。论文的主要工作如下:(1)参考DenseNet的设计,对现有的目标检测网络YOLOv3的结构进行改进。有效减少了网络的参数量,提高了网络的计算速度,使其更适合部署至嵌入式环境中。同时使用GIoU对网络中的IoU进行改进,优化计算结果。最后完成网络模型的训练和测试,并针对实验结果进行对比和分析。(2)设计并实现了舰船目标检测系统的整体方案。方案包括舰船目标检测系统的结构设计以及各个模块的功能设计。在前端标注部分使用Konva.js绘制Canvas图层,后端主要使用Node.js语言实现。(3)在数据集制作流程中,一方面使用传统计算机视觉方法,提高了对原始遥感图像的筛选效率。另一方面,使用舰船目标检测系统,通过网络对数据集进行分发提高了人工标注效率。最后基于高分2号卫星的数据,构建了一套完整的舰船目标检测数据集。(4)基于FPGA设计实现了加速子系统,并集成至舰船目标检测系统中。首先,简要概述了开发流程,并重点阐述了系统的设计与实现。其次,着重论述了系统的调用流程以及线程资源的分配。最后对FPGA加速子系统进行了实验测试与结果分析。