合成孔径雷达（Synthetic Aperture Radar,SAR）是一种全天候微波成像雷达,具有极其广泛的应用前景。譬如,在民用领域,运用SAR对运输船只进行位置检测,有利于海洋的监测与管理,在军事领域,对特定目标进行位置检测,有利于战术部署,提高海防预警能力。从SAR图像目标的特点和表现形式,以及信息几何分析和深度学习模型的发展来看,信息几何和深度学习技术在SAR图像处理的理论和应用领域具有广阔的应用前景。开展基于信息几何和深度学习的SAR图像处理的关键技术研究,对于提高SAR图像处理和解译水平,推广SAR图像在民用及军事领域的应用具有深远的意义。本研究利用信息几何信号分析和深度学习理论对SAR图像舰船目标检测进行了深入的研究,主要工作总结如下:1.针对小型目标,基于SAR图像中固有的相干斑和地面电磁散射特征,提出了两种SAR图像舰船检测的信息几何方法。（1）基于拓扑优化的检测方法。该算法首先利用变分法对SAR图像进行滤波处理,其次构造曲面流形曲率用以稀疏表示舰船,最后使用拓扑导数法对目标进行定位检测。实验结果和分析表明,拓扑优化方法可以有效地实现目标显著性表征,降低虚警率,实现SAR图像船舰目标检测。（2）基于统计流形的检测方法。该算法利用信息几何优化方法进行海杂波模型参数估计,并构造统计流形空间上的黎曼度量,最后通过求解模型的能量函数的极值以检测舰船目标,实验结果表明,算法具有较好的检测性能和噪声鲁棒性。2.研究了基于YOLO（You Only Look Once）模型的SAR图像舰船目标识别和定位算法,并针对YOLO4、YOLOX模型参数量的问题,提出一种改进型YOLO检测模型。首先对模型进行轻量化处理,大幅度压缩网络参数;其次使用改进型Res2Net模块与AFF模块,实现了对多尺度深度特征的提取与融合;接着使用提出的HG-CSPNet模块组合主干网,进一步削减模型参数;随后对模型进行过拟合抑制处理,使用Dropout方法增强网络稳定性;最后提出Bi FPN-AFF模块作为网络的检测颈部分,实现了对高级特征的融合。实验表明,该模型能有效平衡检测精度与模型参数,但对分布密集的小型舰船目标存在漏检现象。3.针对分布密集的小型舰船,在第三章所提出的改进型YOLO模型基础上,提出了一种加强型YOLO模型结构。该方法首先运用深度过参数化卷积技术,加速网络的训练收敛速度;其次,通过提出MS-ASB模块扩大网络感受野,实现了对多级别特征的融合;然后,基于CBNet的思想组合连接主干网,提高模型的特征提取能力;最后,采用RFP的思路,反馈连接主干网与检测颈,强化模型的特征融合性能。实验证明,该模型能有效检测出密集小型舰船,检测精度优于主流检测模型,但检测速度有待进一步提高。4.针对加强型YOLO深度网络检测模型实时性问题,提出了一种改进型YOLO-Tiny模型。一方面精简YOLO模型结构,压缩模型;另一方面融合了改进型YOLO与加强型YOLO的检测方法,提升了检测性能。实验结果及分析表明,该检测模型在不提高参数量的情况下,提升了检测精度与检测速度,能够实时、有效地检测SAR图像中舰船目标。