随着遥感技术的蓬勃发展,光学遥感影像的分辨率逐步提高,对遥感影像上的关键目标进行检测与识别十分具有研究价值和现实意义。舰船是海上最重要的运输载体,也是军事活动中的重点打击目标,对其进行检测与识别在民用和军事领域都有巨大的应用前景。传统的海上舰船目标检测算法在复杂海洋背景下,受限于太阳光照、海面雾气、以及船舶自身的分布状况等海面上的不确定因素的影响,难以满足舰船智能检测的需要。基于深度学习的海上舰船目标检测算法主要依赖于神经网络在大数据特征学习方面具有的独特优势,可以快速有效地从海量数据中以层次学习的方式提取目标的代表性和区别性特征。但是现存的基于深度学习的海上舰船检测的研究仍有许多不足:1)尚未有对舰船进行系统性的分类检测的研究2)训练神经网络模型的数据样本量过少,导致模型鲁棒性较差3)用于舰船检测的神经网络模型尚未达到检测精度与检测速度的平衡,在检测效果上多为高速低精度、高精度低速。针对以上不足,本研究建立了系统的舰船分类的样本库,使用并改进了YOLOv3网络实现了光学遥感图像上的海上舰船目标实时分类检测。本文的主要工作概括如下:(1)建立了高分遥感影像的舰船分类数据集。建立了含有超过14000张遥感图像,合计约2.4万艘的不同类型舰船的海上舰船分类检测数据集。首先依据中华人民共和国海事局《船舶登记工作规程》中的舰船分类规则,结合遥感影像实际情况,建立了基于遥感图像的海上舰船基本分类体系。选出“客船”、“散货船”、“集装箱船”、“液货船”、“工程船”、“驳船”、“拖船”、“游艇”、“军事船只”等九种类型的舰船作为分类体系的组成部分。首先选取高分辨光学遥感图像进行数据预处理,然后根据分类体系对遥感图像上的舰船目标进行标注,并在标注过程中进行数据清洗,剔除噪声数据。其次,针对神经网络的训练特点,对数据集进行格式转换及统一,使其符合深度学习对输入数据格式的要求。(2)搭建了深度学习训练平台。使用在目标检测领域有突出检测效果的YOLOv3、Faster R-CNN神经网络算法对建立的海上舰船数据集进行分类检测,在测试集上对训练完成的神经网络模型进行验证。YOLOv3的检测效果和检测速率要明显优于Faster R-CNN。YOLOv3网络虽然在舰船分类测试集上有较好的总体检测效果,但是对小目标类型舰船的检测结果仍然并不理想。针对此问题设计了基于YOLOv3的改进网络,并同时改进了网络的训练过程。改进的YOLOv3网络将原YOLOv3网络的3个尺度检测增加至为4个,并使用K-means聚类算法对训练样本中的图像目标大小进行聚类分析,以生成舰船分类数据集特有的锚点框参数,将聚类结果直接应用于网络的训练和检测中,以提升网络最终的检测能力。在网络的预训练过程中,通过向网络输入了不同分辨率的遥感舰船图像达到了微调网络的效果。在网络迭代训练过程中,采用了多尺度训练的训练策略,输入随机尺寸的图像,使模型对不同尺寸图像的检测具有鲁棒性。试验表明,基于YOLOv3的改进网络,舰船分类测试集上的准确率和召回率都要优于原YOLOv3网络,尤其是体现在小目标类型舰船的检测上。(3)在Linux平台中搭建了舰船检测系统。设置对比实验,对比了改进YOLOv3网络与YOLOv3、Faster R-CNN、YOLOv2、YOLOv2-tiny、YOLOv3-tiny六种网络在舰船分类测试集的检测效果。其中改进YOLOv3检测效果最佳,召回率达到95.62%,平准确率达到93.89%。根据检测结果,系统地分析了造成各网络检测效果不同的原因,阐明了各网络在检测速率、分类定位上的各自优势。