近岸舰船检测在舰船动态监视、港口变化监测、获知敌方舰船分布和察觉敌方军事动向等方面都有着重要的应用价值和意义。近岸舰船以港口为背景，一方面港口环境复杂，存在大量的干扰物，另一方面舰船种类大小各异，方向任意，并存在并排连接分布，因此近岸舰船检测面临很多挑战。近年来，卷积神经网络（Convolutional Neural Network,CNN）被广泛应用于目标检测、图像分割等领域，并在性能和效率上明显优于传统方法。近岸舰船检测通常分为海陆分割和舰船检测两个过程，因此本文基于CNN，对高分辨率遥感影像中的海陆分割和近岸舰船检测方法进行了深入研究，主要工作如下：　　首先，概述了本文相关的关键技术，主要包括CNN，以及基于CNN的语义分割技术。　　其次，针对海陆分割任务，提出了一种端到端的多信息融合网络。在分割过程中，同时考虑多尺度边缘信息、多尺度分割信息和场景层次的全局信息。实验表明融合不同尺度不同类型的多种信息，可以获得更高的分割精度和边缘定位精度。　　然后，针对现有目标检测和语义分割模型在舰船检测过程中存在的问题，提出了一种基于实例分割的近岸舰船检测方法。该方法首先把图像像素分为三类：海面、陆地和舰船，然后采用本文所提的直线扫描法和间隔分析法，划分像素所属的目标实例。与其他方法相比，该方法检测结果精度更高。　　最后，针对语义分割样本标注过程繁琐，资源开销大问题，提出了一种基于旋转区域生成网络多尺度特征融合的近岸舰船检测方法。该方法融合了多尺度特征，在区域生成网络中引入倾斜角度，产生可以任意方向倾斜的旋转边界框，并在区域池化过程中，融合上下文信息进行旋转区域池化，进一步提升了网络检测性能。相比于其他方法，该方法取得了更好的检测效果。