合成孔径雷达(Synthetic Aperture Radar, SAR)图像舰船检测与分类是SAR图像解译技术关键问题之一,也是海洋遥感应用的重要研究方向,在渔业管理、海上交通管控、海洋资源开采、海洋环境监控等方面具有重要意义。近年来,我国大力发展航天遥感事业,一方面为SAR舰船监测带来了海量数据基础,另一方面对高效率、高精度的SAR图像解译技术提出需求。因此,研究SAR图像舰船检测与分类技术具有十分重要的理论意义和实际价值。本文立足于SAR舰船监测技术的发展,分析了当下舰船检测与分类面临的挑战,重点研究了SAR图像舰船目标检测、高分辨率SAR图像舰船目标特征提取与分类识别等关键技术问题。主要研究成果如下：(1)针对现有SAR舰船检测算法运算时间过长以及泛化能力较差的问题,研究提出一种基于深度神经网络的SAR图像舰船目标检测算法。首先,针对SAR图像舰船目标特点,采用无监督训练方法搭建深度神经网络构架；其次,利用小波变换得到舰船目标不同尺度特征,分别对不同深度网络进行训练；最后将深度网络输出进行特征融合并对SAR图像中的舰船目标进行检测。基于TerraSAR-X数据对算法性能进行了验证和评估,结果表明本算法在取得较高检测准确率的同时降低了检测时间,并对沿海区域极端海况具有一定鲁棒性。(2)针对现有SAR舰船分类技术发展不完善和分类准确率较低的问题,研究提出基于上层建筑后向散射特征的SAR图像舰船目标分类算法。首先研究了舰船目标上层建筑结构特征,分析了不同结构的后向散射特征；其次,针对SAR图像的旁瓣模糊特性,研究了基于峰值特征的舰船分割算法,用以提高特征提取算法的有效性和准确性；在此基础上,提出了舰船目标的维度比特征,并采用SVM分类思想实现SAR图像舰船目标分类。基于RadarSat-2数据对算法性能进行了验证和评估,结果表明本算法有效地描述了舰船目标特征,相比现有算法表现出较高的分类准确率。