现代遥感技术兴起于20世纪60年代,至今在农业生产指导、土地资源利用监测、城市规划和军事侦查等领域始终发挥着重要的作用。经过多年的发展,光学遥感卫星呈现出大幅宽,高分辨率的技术发展趋势,单颗卫星获取影像数据的能力越来越强,并且随着卫星制造技术的不断进步,卫星的制造成本不断降低,越来越多的光学遥感卫星入轨并提供数据服务,每天都有TB量级的影像数据下传至地面端,如何高效、自动化地从海量的影像数据中提取有用的信息就成为了遥感信息应用的关键。船只是国际货物运输和军事力量投射的主要载体,通过光学卫星遥感平台对船只目标进行检测在民用领域可以满足海上交通管控,走私稽查和辅助海上救援等工作的需要;在军事领域则能监视敌方的兵力部署与动态,提高己方的态势感知能力,为决策制定提供重要依据。因此,如何从海量的光学遥感影像中准确、高效地检测船只目标,已成为亟需解决的问题。近年来,卷积神经网络在计算机视觉领域的得到了广泛的应用。卷积神经网络以数据为驱动,能够自动地提取图像中的高层语义特征,具有很强的特征描述与辨别能力。船只作为运动目标,其存在的场景具有不确定性。远海场景中,水体背景单调,船只目标分布范围广且稀疏;在港口区域内,地物种类复杂,船只密集停靠在码头附近。在精度与效率两方面的平衡性上,针对单一场景设计的检测方法难以适应不同的检测场景。因此,本文围绕可见光遥感影像船只检测任务,应用计算机视觉领域中主流的卷积神经网络技术,对于不同的检测场景,有针对性地设计不同的船只检测方法,旨在提高多场景下船只目标检测方法的精确性与时效性,促进智能化遥感信息平台的构建。本文主要研究内容包括以下几个方面:1.在远海场景中,遥感图像中的水体背景的颜色、纹理特征具有各向同性,船只目标分布稀疏,并且被凸显在水体背景中。针对这一特点,设计了一种联合视觉显著模型与分类卷积神经网络的远海区域船只检测方法。首先通过视觉显著模型在降采样后的输入图像上快速检测水体中的异常区域,提取包含候选目标的图像切片,然后,将所有图像切片输入到分类卷积神经网络中进行判别,剔除虚警,输出检测结果。针对船只目标的方向具有任意性的问题,采用核旋转卷积,提取各方向上的特征,通过方位响应池化操作编码方向不变特征,提高分类网络对旋转变换的不变性。相比于端到端的卷积神经网络网络,视觉显著模型的计算过程简洁,对硬件设备的性能要求低,能快速定位候选目标;相比于人工设计特征,轻量级的分类卷积网络的特征表达能力强,能够准确区分真实目标与虚警,整体算法具有较高的检测精度与较快的检测速度。2.在港口场景中,地物背景复杂,船只密集停靠,针对这一场景,设计了一种基于回归的一阶段旋转船只目标检测网络,该网络预测旋转检测框,在定位目标的同时保留了真实尺寸信息。针对旋转边界框间的Io U(Intersection over union)数值对角度偏差敏感,标注框难以匹配到锚点框的问题,采用角度相关Io U计算倾斜矩形框间的Io U,增加了正样本数量,提升了召回率;设计了锚点框精调分支与感受野扩增模块,嵌入到网络结构中,提升整体检测精度与检测框的定位精度。针对各改进策略的消融分析和与其他检测方法的对比实验验证了该方法的有效性。3.采用锚点框机制的检测方法需要在特征图上预设大量具有不同尺度、长宽比和旋转角度的锚点框,这些锚点框的超参数需人工设置,并且数量众多的锚点框也增加了计算与内存资源的占用。针对这一问题,设计了一种基于目标中心区域预测的旋转船只检测网络。该方法以特征图上目标中心点临近区域内的像素点作为正样本,以中心区域点的位置坐标和特征图等效采样步长作为边界框回归的参考,该方法摒弃了锚点框机制,具有较高的检测效率。此外,针对旋转船只目标与检测头中卷积核采样位置不对准的问题,设计了旋转ROI(Region of interest)卷积,精炼目标特征,实现目标特征对准,并应用于中心区域预测网络中,提高了网络对前景目标的分辨能力,进一步提升了检测精度。综上所述,本文围绕多场景下的船只检测任务,研究候选目标提取,真实船只目标判别和检测网络性能优化等关键技术问题,取得了一定的成果。本文的相关成果对智能化遥感信息平台的构建具有促进作用。