舰船目标检测广泛应用于海洋权益维护、海上交通安全等民用及军事领域。基于合成孔径雷达(Synthetic Aperture Radar,SAR)全天时全天候观测、高分辨成像的优势,可以获得大量优质的海洋SAR数据,对海域检测提供了丰富的数据支持,因此利用SAR图像来完成舰船目标检测具有重要意义。为了在同时包含海陆信息的SAR图像中实现舰船目标的精确检测,本文主要对GF-3 SAR图像开展了基于深度学习技术的海陆分割及舰船目标检测方法的研究,论文的主要工作如下:针对传统的SAR图像分割方法通常受具体场景影响较大、鲁棒性差的问题,本文着重研究了基于全卷积的GF-3 SAR图像的海陆分割算法。网络以U-net为整体架构,在编码、解码阶段引入残差卷积模块加深网络结构,并重新设计了跳跃连接方式进行改进。此外收集GF-3 SAR大尺寸原始图像,进行数据集扩充及标签制作。利用Otsu方法、基于U-net的分割方法及本文所提分割方法对测试集中图像进行海陆分割,基于深度学习分割方法的准确率、交并比明显优于传统方法,并且本文方法相对于改进前能更好地保留图像中海面及陆地的边缘,所提方法在牺牲少量处理时间的基础上可换取更高的像素准确率及交并比,实现了对海陆更为细致的分割。针对Faster R-CNN检测算法对SAR图像检测效率低下的问题,本文着重研究了用于GF-3 SAR图像舰船目标的检测算法。从特征提取网络、区域生成网络、识别网络及损失函数展开介绍。针对原始高分辨率SAR图像尺寸过大的问题,采用以不同尺度对其含有舰船目标区域进行剪裁的方法,使训练过程中获取更多特征信息,以此获得小尺寸图像并进行数据集扩充,最后以VOC2007格式标准制作舰船目标的数据集。为了实现更为精确的检测,利用K-means聚类数据集中舰船目标的尺寸与长宽比,基于聚类结果改进锚框设计。通过对比分析检测效果,改进算法的精确率与召回率相对原始方法均有所提高。针对大尺寸SAR图像检测召回率低的情况,本文采用了先剪裁成小尺寸图像检测再进行拼接恢复的方法。针对部分小面积的陆地区域及陆地上目标会被误检为舰船,从而使检测虚警率过高的问题,提出联合海陆分割与舰船检测的方法。利用二维高斯函数基于海陆分割结果确立检测框的海面置信值,根据设定的阈值对检测结果进行更正,实现了进一步的检测,提高检测精确率。本文实现了 GF-3 SAR图像的海陆分割、舰船目标检测,但还是存在很多问题有待研究。需进一步优化检测算法提高对小尺寸舰船目标的检测能力,虽然本文算法能够一定程度上提升检测精度,但检测速度还有待提升。此外本文只是在测试阶段采用海陆分割与舰船目标检测的联合算法,模型需要进一步精炼。