高分辨率合成孔径雷达(synthetic aperture radar,SAR)探测技术因其具有全天时、全天候、大范围、多参数等特点,在海洋复杂环境下能够实现对各类目标的宏观、长期、连续、动态的观测,是海洋船只监测最有效的手段之一。但在实际情况下,运动舰船在SAR图像中往往会出现位置偏移和模糊,同时在军事领域的应用中,隐身技术的快速发展也给SAR图像船只监测带来了一定的困难。考虑到以上问题,通过舰船尾迹的特征间接地检测舰船目标成为一种切实可行的办法。本文针对海面舰船尾迹的SAR探测过程及目标检测方法开展了系统的研究,首先根据Kelvin尾迹的水动力模型,计算了简单Wigley船体在不同航速下的尾迹波几何形态,并基于海谱模型、涌浪模型和线性滤波法,实现对线性海面的形态建模,再基于高阶非线性波理论描述海面非线性特征,并与尾迹波进行叠加,进而模拟船舶在海面航行时的留下的Kelvin尾迹形态。针对尾迹目标的SAR成像仿真问题,本文在复合表面散射理论的基础上,通过借助一阶微扰模型和基尔霍夫近似模型建立了用于分析大规模海面电磁散射特性的面元散射模型。该模型的计算结果表明,海面尾迹复合结构电磁散射分布体现出清晰的纹理特征,且分布特征受雷达自身参数、海洋环境及舰船运动情况的影响。在此基础上,本文根据海浪波对雷达信号的调制机理对面元散射分布进行调制,再对SAR成像分辨单元进行三维坐标转换,建立像平面与海平面的投影映射关系,进而实现对舰船尾迹目标SAR探测过程的仿真成像。分析仿真结果,进一步得出了尾迹SAR探测特征的影响因素及变化规律。根据计算获得的数据与相关观测资料,本文进一步研究了深度学习领域的目标检测方法对尾迹检测的适用性和可行性。为了获得足够丰富且高质量的训练样本,本文基于生成式对抗网络(Generative Adversarial Network,GAN)对原有的图像数据进行网络训练和生成,获得了大量的新数据,扩充了样本集,再基于扩充后的样本对目标检测网络进行训练,学习SAR图像中的抽象特征,实现对尾迹目标的检测识别。测试结果表明,海况、成像关系、极化方式均会对目标检测的精度产生一定的影响。同时,相比于传统线性检测,该方法能够更好地识别高噪声、弱目标、非直线形等情况的尾迹特征。