遥感图像检测是计算机视觉任务中一个重要的研究课题,是大场景目标检测最典型的例子,在海域安全监测、港口船舶检测、运动目标追踪等方面都有着重要作用。随着目标检测技术的发展,越来越多新的检测方法在各领域内展现出了其优越性。目标检测技术应用在遥感船舶检测任务中,不仅促进了遥感图像识别中问题的解决,而且能在实际应用中对目标检测技术有新的突破。本文在这方面主要完成了以下工作:(1)针对遥感图像中云雾遮挡、岸基干扰和小目标等识别难点,立足于现阶段目标检测算法中较有效的Mask R-CNN,并进行相应改进。在特征提取网络中加入了残差视觉注意机制,提升网络提取船舶特征信息的能力,解决了遥感图像中云雾遮挡导致无法提取到足够的船舶特征信息的问题;Mask R-CNN中的多级特征提取和去量化操作方法基本解决了小目标漏检的问题;采用难样本重学习策略,来增强网络模型对复杂场景的检测能力。通过上述方法和策略,船舶检测的综合准确率达到了92.56%,召回率达到了89.26%。(2)对胶囊网络进行了研究。在对胶囊网络进行基础研究的同时,对模型功能进行扩展,使胶囊网络能够进行单目标检测,并将其应用于遥感船舶目标检测。在胶囊向量表征能力不足的情况下,把船舶目标分类和船舶目标定位功能通过双分支胶囊结构进行了分离,在不使用传统暴力搜索获取目标区域的情况下,实现了对船舶目标的分类和单目标船舶的定位。(3)结合Mask R-CNN和胶囊网络在船舶检测中的优势,构建了一个新的船舶检测网络——Caps-RCNN。该方法保留Mask R-CNN中RPN和检测网络中目标回归部分,利用这两部分完成对遥感图像中目标位置的搜索,使用胶囊网络对搜索到的目标区域进行船舶分类,给出船舶存在的概率,再对RPN和检测网络输出的目标区域进行抑制,将非船舶建议框屏蔽。在不考虑算法效率的情况下,该方法能够提升检测效果,较好地改善了Mask R-CNN进行船舶识别时的漏检和误检情况。通过上述改进,船舶检测的综合准确率达到了97.37%,召回率达到了96.26%。