舰船是海上目标识别研究的重点对象,对于舰船的检测和识别一直是遥感图像领域的热点研究内容。随着卫星数量的增加,世界遥感数据的采集趋势向多平台、多角度和多传感器的方向发展,获得的卫星遥感图像的数量也在增加。尽管获取的目标数据持续增加,但有标记的数据很少。由于来自各个卫星的图像之间会存在一定差异,研究如何使用少量标记样本对不同分辨率、不同成像角度下的典型目标进行识别具有重要意义。迁移学习可以利用从已有的样本数据中学习到的知识,来帮助满足不同分布的未知领域的样本数据进行学习。因此本文面向光学遥感图像,采用迁移学习方法对三种典型舰船目标识别的方法进行研究。首先,针对舰船目标的多维度特征提取进行研究。对于光学舰船图像,研究目标的几何特征(Hu矩和仿射不变矩)。对于不同分辨率图像,研究梯度方向直方图特征,对于不同角度舰船目标研究差分属性描述特征,将这两种特征分别和几何特征构成多维度特征向量用于舰船识别,并且对最大均值差异距离和迁移成分分析方法进行研究,对用迁移学习进行舰船识别的可行性进行分析。其次,针对不同分辨率的舰船图像识别问题研究了基于特征迁移的目标识别方法。首先,提出基于数据分布自适应的迁移学习方法,即空间对齐——联合概率适配算法,将空间适配和概率分布结合,从而达到更好的识别效果。此外,还研究了映射统计对齐算法,采用统一框架,进行分布对齐时,增大源域和目标域的类间距离,减小类内距离,使舰船识别更加准确。通过实验验证,可以发现针对不同分辨率舰船目标,迁移学习算法可以有效的减少源域数据和目标域数据之间的分布差异,从而比传统的机器学习方法达到更好的识别效果。最后,针对不同角度的舰船图像进行识别的问题,研究了基于实例迁移的典型目标识别方法。首先,针对目标域存在部分标签的情况,研究了有监督的迁移学习方法——基于马氏距离的迁移学习方法,其主要是增大训练样本中与目标域相似样本的权重,来达到较好的识别效果。针对目标域中不存在标签且源域和目标域相差比较大的情况,研究了无监督的迁移学习方法——迁移联合适配方法,主要将实例迁移和概率适配相互结合起来,通过实验验证了算法的有效性。