在将深度学习应用于遥感舰船识别任务中时,通常需要大量训练集数据对深层神经网络参数进行调节,但由于遥感舰船影像的获取通常需要消耗大量人力物力,因此,如何针对遥感舰船影像小样本目标进行识别成为难点问题之一。而在遥感影像小样本目标识别任务中,如何解决天气场景覆盖面不足的问题是关键。其次,小样本目标识别大多采用度量学习算法,相较于一般深度学习方法,解决了小样本与高纬度之间的问题,但识别速度也有所降低。因此,本文针对上述问题展开研究,主要研究内容如下:(1)针对训练样本不足导致的遥感舰船影像场景覆盖不全问题,本文提出通过图像风格迁移(Image style transfer)方法,将训练集与支持集在不同天气场景上进行扩充,并对关系网络重新训练,以优化网络参数。实验证明,使用了风格迁移的关系网络较原关系网络在识别精度上提高了15%左右,但由于使用风格迁移对支持集进行了扩增,导致识别速度变慢。为解决速度变慢问题,本文将每类遥感舰船支持集图像的高维特征向量,使用K-means算法提取聚类中心,将提取后的高维特征向量聚类中心与测试集图像高维特征向量进行度量学习,大幅减少网络计算量,保证了识别速度。最后通过实验证明,加入了风格迁移与K-means提取聚类中心方法的关系网络较原关系网络在识别速度基本不变情况下,识别精度增加了13%～18%。(2)针对多类别遥感舰船影像小样本数据集,本文提出先使用基于分块的卷积神经网络(Part-based Convolutional Baseline,PCB)对多类别数据集进行粗分类,而后使用加入了风格迁移与K-means提取聚类中心方法的关系网络对粗分类后样本进行细分类的整体方案,最后通过实验证明,本方案可在识别速度基本不变情况下,将多类别遥感舰船影像小样本目标识别精度整体提高到80%左右。并且基于上述研究内容实现了一个多类别遥感舰船小样本分类原型平台。