近年来,遥感技术的成熟和深度学习的发展为舰船智能化检测带来了新浪潮。舰船目标检测作为国防建设和海洋监测应用中关键环节而备受关注。然而,该研究仍然存在以下两个挑战:（1）现有合成孔径雷达数据集中,不同图像的舰船目标较小,常规方法容易受到复杂背景的干扰,严重影响舰船检测的准确率,即复杂背景舰船小目标检测问题;（2）现有光学遥感数据集中,同一幅图像中舰船目标在尺寸上差异大,在分布上密集,即多尺度高密集舰船目标检测问题。为了解决以上挑战,本文研究并实现了基于深度学习的遥感图像舰船目标检测算法。首先,本论文针对现有合成孔径雷达数据中存在的问题,提出了复杂背景舰船小目标检测算法。本方法是稳定有效的单阶段模型,主要由三部分组成:特征精修网络、特征融合网络和再分类网络。由于高分辨率遥感卫星宽幅成像及某些舰船目标实际尺寸较小,采用特征精修网络引入上下文信息,感知小目标周围区域为推断舰船目标提供辅助信息,提升模型的舰船小目标检测能力。同时,为了整合不同层特征的局部信息,特征融合网络通过融合特征金字塔的各层特征和含有上下文信息的精修特征,使得模型能够学习到舰船的全局信息。另外,再分类网络加入可形变卷积来增大网络的感受野并适应舰船目标的几何形变,使得模型具有进一步区分前景和背景的能力。大量的实验结果表明,本文提出的方法泛化能力强,在AIR-SARShip数据集上取得的准确率比前沿Center Net算法高出6%。接下来,本论文针对现有光学遥感数据中存在的问题,提出了多尺度高密集的舰船目标检测算法。本方法是一个端到端的深层网络模型,主要由三部分组成:特征金字塔平衡网络、建议框平衡采样网络和旋转框预测网络。为了提取判别特征并提升网络对于不同尺度的鲁棒性,利用特征金字塔平衡网络增强多层次特征并均衡深层与浅层之间的语义信息。同时,为了给特征金字塔提供可靠的建议框,利用建议框平衡采样网络进行难负样本挖掘,指导模型更好地检测舰船目标。另外,为了应对高密集的舰船,引入一个旋转框预测网络消除冗余背景,使得模型更好地收敛。大量的实验结果表明,本文提出的方法在光学数据上取得了优于当前主流舰船检测算法的效果。本文分析不同遥感图像中影响其实际应用的挑战,研究并实现了基于深度学习的遥感图像舰船目标检测算法,可用于检测和追踪识别任务,对未来国防和海洋监控领域有着重要的研究意义和应用价值。