舰船是海上重要的军事与民用载体,快速准确识别舰船目标有着重要的军事和民用意义。随着光学遥感技术的发展,可见光舰船图像数据量也越来越多。目前舰船目标识别开展了一系列的研究,仍有一些关键问题亟待解决:(1)光学遥感舰船图像中某些类别的舰船图像难以获得,引起舰船图像数据集中类别不平衡,现有分类器可能获得较高的整体识别率,却忽略了少数类的识别率。(2)光学遥感舰船图像数据呈指数式增长,为了分类器进行学习训练给所有图像进行人工标注极为困难,然而现有分类器很难采用少量有标签样本进行有效分类。(3)现有舰船分类识别中的类别划分粒度较粗,一般只涉及航母、护卫舰、驱逐舰、集装箱、货船、油船几个大类的分类识别,极少对舰船类别进行细粒度分类,不利于舰船目标的精确识别。(4)舰船舷号识别可以进一步提供舰船的身份信息,然而舰船舷号的识别往往受背景、光照、角度等因素影响导致识别困难。目前深度学习技术的快速发展为上述问题的解决提供了新的途径。针对上述问题,本文采用深度学习技术解决舰船目标识别中的关键问题,主要研究工作包括:(1)针对某些特殊舰船目标类型的高分辨率遥感图像较少导致数据集中类别不平衡,影响舰船目标中少数类的精确识别的问题,研究了深度神经决策森林中叶子节点的概率计算与向后传播学习过程,提出了基于加权的深度神经决策森林方法,在数据处理阶段对不平衡数据集进行预处理得到多个平衡数据集,在叶子节点预测结果中引入类权重思想,对深度神经决策森林方法进行扩展,使其在不平衡的舰船图像数据集上达到良好的分类效果。(2)针对基于光学遥感舰船图像数据集中图像缺乏标签,不利于深度信念网络的训练及分类的问题。研究了深度信念网络的训练过程与分类机制,提出了一种基于Bv SB(Best-versus-Second Best)机制的主动深度信念网络方法,从深度信念网络无监督学习过程中得到样本分类概率,利用Bv SB机制挑选出少量高价值的样本进行标注,然后对深度信念网络进行有监督训练,在有效减少深度信念网络对有标签样本需求量的同时,也保持了深度信念网络对舰船目标的分类性能。(3)针对目前舰船目标分类研究中舰船类别划分粒度较粗,不能完全满足舰船目标精确识别问题,研究了卷积神经网络中不同层次网络提取特征的特点,提出了基于多特征融合的舰船精细分类方法,采用两种类型的卷积神经网络分别提取舰船图像的全局高级特征和精细特征。采用类激活映射识别舰船图片中对分类判别有意义的区域以获得舰船目标的精细特征,整个训练过程中不需要人为定义的标注框和局部区域位置标注,通过多特征融合方法发掘多个特征间的关联性,提高了舰船目标细粒度分类识别率。(4)针对自然场景下舰船舷号识别问题,设计了基于深度神经网络的端到端网络舰船舷号识别方法,在舰船舷号检测阶段采用旋转文本区域候选网络,生成带有方向角度信息的文本候选框,在舰船舷号识别阶段设计了双向长短时记忆网络进行舷号识别,将舰船舷号检测任务和舰船舷号识别任务统一到一个网络进行端到端训练,能够同时提升两种任务的表现,获得较高的舰船舷号识别率和检测率。本文针对舰船目标识别研究中的四个关键问题,提出了基于深度学习的算法和模型,进行了理论分析,并在舰船图像数据集和其他多个公有图像数据集上进行了实验验证,测试表明本文提出的方法和模型对基于可见光图像的舰船目标识别具有较高的应用价值,对其他图像识别也具有参考意义。