船舶是人们在海洋活动的主要载体，对其进行合理管控对于渔业管理、海上交通管理、打击违法海面活动以及保护海洋生态等具有重要意义。然而船舶位置分布随机，航行路线随机给有效管控带来了较大困难。合成孔径雷达(SyntheticAperture Radar，SAR)作为大范围区域有效的管理方案，能够全天时全天候的开展海面监测，是解决这一问题的重要手段。　　本文研究利用多种模式星载SAR图像进行船舶检测和分类，在方法创新层面改进宽覆盖SAR图像海面船舶检测方法、提出两个各有侧重的全极化SAR图像海面船舶检测方法、改进高分辨率SAR图像船舶分类方法、并在最后研究深度学习在船舶检测和分类中的应用;在研究主题创新层面，本文率先开展含岛屿海域船舶检测研究、含陆地SAR图像船舶检测研究、探索高分辨率SAR图像船舶分类在大数据方向的潜力。本文主要内容如下:　　①研究在宽覆盖SAR图像中的船舶检测问题，包括在纯净海面以及在含岛屿海面的船舶检测问题。本文提出针对图像超大覆盖导致的入射角失衡的矫正方法，提出针对图像低分辨率导致的检测准确度低的多尺度Hessian矩阵增强和跨尺度特征点筛选;本文率先提出研究在含岛屿海域的船舶检测问题，并设计包括图像参数选择，船舶像元增强，阈值分割，二值图筛选的一整套船舶检测流程。　　②研究在全极化SAR(PolSAR)图像中的船舶检测问题。通过分析PolSAR图像中的船舶特征与虚警特征，提出两个船舶检测方案。方案一采用多特征融合，将极化滤波、极化散射以及极化相位在改进的视觉注意模型进行融合。方案二在忽略电磁波理论的条件下，利用已知船舶像元和虚警像元，对PolSAR图像通道的所有线性组合进行复数权重训练的思路，采用基于模拟退火的粒子群算法作为优化算法，从而形成船舶检测方法。两个方案相辅相成，各有优缺点。　　③研究在高分辨率SAR图像对货船、集装箱船和油船进行分类研究。分析不同类型船舶在高分辨率SAR图像上的表征。提出包括图像预处理、多阈值图像分割，特征向量设计的方案。提出自适应的特征离散化方案，按照最大增益熵准则，进而本文方法的鲁棒性。　　④利用深度学习研究SAR图像不进行地理掩膜时的船舶检测问题，并探索深度学习在高分辨率SAR船舶分类上的潜力。针对CFAR结果的船舶切片和虚警切片，提出改进的Pooling策略:Max-Mean Pooling，用以增强船舶图片和陆地图片的差异。采用卷积神经网络设计船舶检测方法，并验证本文所提Pooling方案的有效性。探索卷积神经网络对于高分辨率SAR图像中船舶分类的潜力，利用AlexNet分析在有限的数据集下三类船舶的分类结果，以及特征表现。