舰船作为海上重要的交通工具和海上战时主要打击目标,对其进行研究对于军用和民用都具有重要意义。与合成孔径雷达图像相比,光学遥感图像空间分辨率更高且识别代价低,因此本文主要对基于光学遥感图像的舰船目标识别进行研究。与其他的目标识别任务相比,舰船图像种类繁多,图像采集又易受光照、遮挡、海洋环境等因素的影响,使得舰船识别任务更具挑战性。作为深度学习在图像处理领域的应用之一,卷积神经网络(Convolutional Neural Network,CNN)逐步成为模式识别领域的研究热点,相比于传统算法,CNN优势在于获取的高阶特征更具抽象性和可分性,但就应用于舰船图像而言,会存在不足。因此本文基于CNN和传统算法之间的互补性,结合舰船图像自身特点,提出两种不同的舰船目标识别算法,主要研究内容总结如下:第一,针对CNN不具备全局旋转不变性及不能完全捕获低阶特征等缺陷,而这些特征对于舰船图像分类尤为重要,本文提出了基于CNN和多尺度旋转不变特征的舰船识别方法。该方法在利用CNN获取更为抽象的高阶特征的基础上,采用特征融合策略引入多尺度旋转不变性特征,使得所提算法能够充分利用舰船图像空间结构、局部纹理、不同朝向等特性。在两个舰船数据集上验证了所提算法的有效性,实验结果表明本文算法具备较好的分类性能。第二,针对舰船图像易受云层、海面状况等影响导致舰船轮廓较为模糊从而影响CNN提取特征的问题,本文提出基于多域特征的多路CNN融合框架。该框架主要包含三个阶段,第一阶段为提取变换域特征,主要包括Gabor特征、多阶次幅度逆变换特征、完全局部二值模式(Completed Local Binary Patterns,CLBP)特征、多阶次相位逆变换特征;第二阶段是多支路CNN学习过程,将特征图像分别组成多通道图像作为CNN的输入以便得到更具识别性的特征,第三阶段利用决策融合方法整合不同支路的分类结果。由于不同支路都有各自的优点,采用决策融合能够很好的综合这些优势从而达到更好的识别效果,本文在三个舰船数据集上验证了所提算法的分类性能,实验结果表明本文方法能够获得较好的效果。