我国领海面积广阔,占我国总领土面积的三分之一,且海面邻国较多,近年来经常与邻国发生海上争端,故亟需大力发展海上军事力量。并且我国作为军事强国,海面作战能力也是我国军事实力和综合国力的一种体现,因此对海面情况的监控成为了我国海军刻不容缓的研究内容。本课题来源于总装武器预研项目基金,以舰船图像为研究对象,区分图像中的舰船目标是军舰还是民船,以达到作战力量评估、监控敌方战场动态、监控敌方港口及舰船信息等的目的。海面舰船图像的获取不易,非常容易受到雾气等烦扰因素的影响,因此传统的舰船检测与识别领域都是对合成孔径雷达舰船图像和红外舰船图像进行研究,因为这两种图像受环境噪声影响较小。但是合成孔径雷达图像普遍分辨率较低、信噪比也较低,红外图像容易受到季节、温度的影响,所以对这两种图像进行目标检测与识别都不易达到普通光学图像的效果,且两种图像的获取也远不如普通光学图像容易,所以本文希望寻找到一种快速有效的方法,对普通光学图像进行舰船目标检测与识别。现在图像的检测与识别方法中,深度学习法是最流行且最实用的,所以本文创新性地选取当前最新的两种深度学习算法:Faster R-CNN算法和SSD算法对舰船图像进行目标检测与识别。本文研究的主要内容有:(1)本文通过Faster R-CNN算法和SSD算法对建立的数据库图像进行学习,通过caffe深度学习框架实现两种深度学习算法的调用,并通过调用GPU大幅度的提升计算机的运算速度。通过训练集图像对算法框架进行训练,并对算法的损失函数随着训练次数的增加的数值变化进行统计,通过结果可以明确的看出两种算法框架都能够最终收敛到一个稳定的状态。(2)本文使用相同的测试数据对两种深度学习框架目标检测与识别能力进行测试,得出两种算法进行检测的mAP值和检测速度,并从两种算法框架结构的不同之处对结果进行了分析,得出结论:Faster R-CNN算法的检测精度更高,但是速度相对较慢,适合应用于日常的海面与港口的监测;SSD算法的识别精度相对较低,但是SSD算法识别所需时间比较短,可以认为SSD算法能够具有实时识别的能力,所以SSD算法可以应用在海面对抗战争这种对速度要求很高的环境中。(3)本文通过使用不同的测试集进行研究,进一步验证了SSD算法的检测精度较低的原因,并分析了本文中的方法的识别误差是由于其中两种军舰特征的相似性,并进行观察分析,发现这种识别错误在实际应用中对结果的影响不大。验证了这两种算法在舰船目标检测与识别领域的可应用性,并且分析了两种算法在不同环境下的实用性。