近些年,随着合成孔径雷达（SAR）成像技术快速的发展,在海洋舰船目标检测领域,SAR技术已经可以提供较成熟且语义信息丰富的高分辨率SAR图像。其中,目标检测是SAR图像解译中的焦点部分,为海洋监测与海防事业的建设提供了强有力的技术支撑。本文基于深度学习目标检测技术,重点研究了不同SAR图像舰船特征下深度学习算法的检测性能,旨在寻求相适应的算法且提升检测性能,提高检测的精准率与可信度,具体研究内容如下:针对SAR图像舰船检测距离向与方位向模糊干扰的问题,提出一种验证深度学习算法鲁棒性的方法,在模糊干扰下对Faster R-CNN算法进行了适应性的改进。该方法主要对算法的鲁棒性进行验证,将不同算法在不同模糊干扰条件下进行测试,从而选取更有效的算法提升稳定性。对Faster R-CNN算法运用FPN网络以及Res Ne Xt网络进行充分的训练与特征挖掘,在多特征融合与扩展性方面进一步改进。实验结果表明,模糊干扰下改进的算法要比基于Res Net网络的Faster R-CNN算法鲁棒性好,证明多特征融合与网络的扩展结构的使用对算法的鲁棒性有明显改善。对于SAR图像舰船检测存在射频干扰的问题,提出一种评价深度学习算法性能的方法,在射频干扰的条件下对Retinanet算法进行了改进。在该方法中,主要针对射频干扰的特点进行分析与仿真建模,然后加入不同程度的干扰得到对应的测试数据集,设置相应的评价指标对算法进行综合评价。基于Retinanet算法增加了Free Anchor机制与FPN网络,增强该算法在自适应预测框的处理能力。实验结果表明,在射频干扰下的SAR图像舰船目标检测方法中,改进的方法性能要优于原Retinanet算法,表征在算法稳定性方面,自适应能力具有一定的可靠性,并且应用了残差网络的算法效果较好,对射频干扰噪声具有一定的抑制能力。