海上溢油和目标的探测在海洋安全、海事搜救、监控非法行为等方面,都具有很重要的应用价值。运用现代化的监测手段和技术,可以提高对海上事件的应急反应能力和管理决策水平。雷达回波信号中包含了海面散射回波信息,通过对该回波信息的分析研究可以实现目标的探测与识别。本文研究了使用SAR图像进行溢油识别和使用海杂波信号进行小目标探测的方法。快速准确地识别SAR图像上溢油和疑似溢油是非常关键的。识别过程主要分为三个阶段:预处理、图像分割和溢油识别。首先,在图像分割阶段,本文使用本体的概念和推理在分割之前对黑色区域进行分析,事先排除一些疑似溢油的图像,筛选后的待分割图像使用KFCM算法进行分割,从而提高了效率。其次,在溢油识别阶段,本文使用BEMD方法将待识别的SAR图像分解为若干二维固有模态函数分量,再进行Hilbert谱分析,并通过Relief方法筛选,构建了全新的特征向量来识别油膜和类油膜,实验证明了该方法在识别正确率方面有了明显的改进。海杂波下小目标具有回波信杂比较低的特点,有效地探测海上小目标具有一定的挑战性,是目前雷达探测领域的热点研究问题。本文首先证实了海杂波数据经过EEMD分解后具有分形的特性,然后使用多重分形的广义Hurst指数作为特征来实现小目标的检测。其次,分析了 EEMD分解前后有无目标的相关系数的差异,将相关系数作为特征实现了小目标的检测,通过实测和模拟海杂波数据验证了这两种方法的有效性,并与同类方法相比性能有所提高。最后,针对海杂波数据缺乏、采集和标记困难以及历史数据浪费等问题,本文使用TrAdaBoost迁移方法和SVM分类器,通过不同域之间的数据迁移来实现目标的检测,实验分别证实了将历史数据和不同种类目标数据迁移时,该算法的有效性。总之,本文构建了海洋表面现象本体库,在分类特征选择方面做了不同类型特征向量的尝试,拓展了迁移学习的应用范畴,为未来的工作奠定了一定的基础。