船舶目标识别技术在水上交通运输管理、海洋环境资源勘探、灾害救援、打击走私等方面具有广泛应用前景。相较于合成孔径雷达图像、红外图像与光学遥感图像,可见光图像包含丰富的颜色纹理等细节特征,在实时船舶检测与船舶细分类任务方面更具优势。目前传统船舶目标检测算法在光线多变、云雾遮挡、海岸背景复杂、船舶目标多尺度等情况下检测精度低、鲁棒性差,而且针对船舶目标的细粒度分类研究相对较少。针对上述不足之处,本文基于深度学习方法对船舶目标识别展开以下几点研究:(1)为了提升模型在小规模船舶数据集上的泛化能力,本文基于改进的深度卷积生成对抗网络(Deep Convolutional Generative Adversarial Networks,DCGAN)进行船舶数据增强。针对DCGAN生成的船舶图像分辨率低、细节模糊这一问题,本文提出优化生成器与判别器的网络结构、利用Non-local模块捕获全局信息、添加特征匹配损失三个改进策略,生成更加清晰真实的船舶图像。实验证明基于本文改进的DCGAN算法进行船舶数据增强可有效提升船舶识别准确率。(2)为了提高船舶检测精度,本文首先基于改进的暗通道先验算法对船舶图像进行去雾预处理,然后深入研究了 YOLOv2算法的原理与模型结构并进行了几点改进:利用多尺度特征融合方式替代YOLOv2的特征重组融合方式,基于聚类算法设计符合船舶形状的先验框,基于Focal loss与相对宽高偏差改进损失函数进一步挖掘困难样本。实验证明改进的YOLOv2算法有效提升复杂背景下多尺度船舶目标的检测精度。(3)为了提升船舶细粒度分类准确率,本文融合空间与通道注意力机制设计了PAM-CAM注意力模块,将注意力模块嵌入改进的VGG16网络。进一步设计级联分类网络:分别以全局图像和基于Grad-CAM算法提取的显著局部区域作为物体级分类子网络与局部级分类子网络的输入,融合全局特征与局部特征实现船舶细分类。实验证明引入注意力机制有助于模型关注局部关键区域,局部细节特征的补充可提升分类准确率。实验结果表明,本文的算法提高了船舶目标检测精度与船舶细粒度分类准确率,有效实现复杂场景下的船舶目标识别。