海洋蕴含着丰富的资源,海上运输相比于其他运输方式有着诸多优势,随着近年来海上无人舰艇的出现,传统人为操纵舰船的方式正在发生变化,舰船的无人化、数字化、智能化将是未来舰舶的发展方向。为了保障无人舰船的安全性,舰船需要能够准确感知周围环境,利用多种传感器和人工智能技术,建立海上船舶目标识别系统,能够为舰船的海上航行提供安全手段。本文尝试将SSD(Single Shot Multi Box Detector)网络应用到海上目标识别算法研究当中,以识别出海上船舶的类别。首先,通过分析各种海上船舶目标外形特征,总结归纳出适用于本文的海上目标分类方法。利用网络爬虫获取的原始样本,本文建立了针对海上目标识别的船舶样本数据库,并且在样本库的建立过程中,应用了数据增广的方法,实现了船舶样本数据库数量和质量的扩充,使得到的样本数据更具多样性,提高了网络模型的泛化能力和鲁棒性。其次,本文对比了目前最常用的Alex Net、Vgg Net-16、Goog Le Net三种卷积神经网络模型和Caffe、Tensor Flow两种主流深度学习框架,并用实验对三种网络的性能进行了对比分析。然后详细研究了基于SSD网络的海上船舶目标识别算法。实验表明,该算法训练速度较快、识别准确率高,能够在有遮挡、识别目标模糊等有难度的情况下较好地完成识别任务,且在Caffe框架下易于改进网络结构。针对特征提取过程中存在的部分有效信息丢失的问题,本文使用了一种多层次特征融合的卷积神经网络。具体操作为将SSD基础网络Vgg Net-16中的第4-3卷积层和第5-3卷积层的特征图进行融合,保留同一图像更多有效信息同时送入分类器中。通过实验对比,本文使用的多特征融合的技术方法识别精度明显好于普通卷积神经网络的识别精度,并且很大程度上优于传统神经网络识别算法。论文给出了以上神经网络模型的建立和算法训练方法,通过对一系列海上船舶目标进行识别,验证了本文提出方法的稳定性和有效性。最后,总结所做工作,对本文提出的海上船舶目标识别算法仍然存在的不足之处和今后可能的研究方向进行评价。