近年来,随着图形处理器等硬件设备的发展,深度学习也得到了飞速发展,在计算机视觉的各个研究领域中都得到了广泛应用,比如图像分类、图像检测、图像语义分割等,大量实践和研究表明深度卷积神经网络能准确高效地完成计算机视觉任务。在遥感领域,对海洋舰船图像的分割是一个重要的研究方向。为了获取目标舰船的位置、航向、类别等信息,需要快速、准确地对其进行分割处理,为后续进一步的信息提取提供基础。本文主要针对光学遥感图像,首先对U-Net进行改进完成了海陆分割任务,然后基于全卷积神经网络对海洋舰船构建了语义分割网络模型,并在此基础上改进优化实现了对舰船的实例分割。主要工作如下:(1)对U-Net网络进行了改进,重新设计了编码器和译码器之间的跳跃连接方式,使用更为复杂的密集连接,可以更好的传递特征,让深层特征与浅层特征充分融合,提升网络的分割精度,完成了海陆分割。(2)基于全卷积神经网络提出了一种编码器-译码器的全卷积网络结构,以带有残差的卷积块作为编码器来提取图像特征,以连续的转置卷积作为译码器,并在编码器与译码器间有效融合了个层级特征,同时还使用了带有权重的损失函数,实现了对海洋遥感图像端到端的全场景语义分割。(3)在上述工作的基础上,针对遥感图像多尺度的特点,引入了特征金字塔网络,并将整体网络修改为具有两个分支的多任务形式,即在经过一段共享的卷积层后,一个分支完成舰船的检测任务,另外一个分支进行舰船的语义分割,最终融合二者的信息实现了对舰船的实例分割。