我国领海面积辽阔、海洋矿产丰富,沿海边境情况复杂。舰船作为海洋的主体,实现舰船目标自动识别是保卫国家领海安全和加强建设海洋强国的重要保障。近年来,已有大量船载、无人机载、星载、岸基等视频监控设备完成部署,采集了大量的视频图像数据,但大多仍然采用人工方式来进行识别,智能化程度极低,无法满足舰船目标自动识别要求。在利用传统方法进行舰船目标识别过程中,受光照、海浪、暴雨、盐雾等环境变化影响,识别性能较差。因此,如何实现鲁棒的自动舰船目标识别是当下亟待解决的一个热点和难点问题。得益于人工智能研究的不断深入,尤其是深度学习在图像目标识别领域取得的突破性进展和成功应用,本文开展了深度学习在自动舰船目标识别中的应用研究,主要完成工作如下:(1)首先对舰船目标识别的国内外研究现状进行综述,并对当前综合性能较优的RFCN深度网络进行了介绍;(2)针对海洋环境采集可见光视频图像中的自动舰船目标识别难题,提出了一种基于改进RFCN网络的舰船目标识别方法,具体开展了三个模块的改进优化:首先,在特征提取模块,设计了一种聚合变换和多尺度特征融合相结合的方法,通过加入同拓扑结构的改进分支、融合低层大尺度位置信息和高层小尺度语义信息,有效提升特征提取能力;其次,在目标检测模块,设计了一种双线性内插、级联位置敏感检测、柔性非极大值抑制相结合的方法,通过精细池化、提升高质量正样本数量、柔性衰减置信度等机制,有效提升对小尺寸和重叠舰船目标的检测能力;最后,在候选区域生成模块,面向舰船目标识别应用,对舰船目标锚框的宽高比例进行聚类,有效提升舰船目标的检测能力;(3)开展本文方法与多种已有方法的对比实验。首先,对本文方法中的超参数取值进行了实验、分析和讨论;然后,在VOC2007检测数据集上,本文方法相较RFCN方法,实现综合mAP指标提升2.42%;最后,在自建的舰船目标数据集上,本文方法相较RFCN方法,实现综合mAP指标提升3.51%。但是,本文方法相较RFCN方法,在算法的实时性方面降低了 1FPS。因此,本文方法适用于计算资源不受限的应用场合;(4)综合利用 Java、JavaScript、Python、Caffe、Redis、RocketMQ 等开发语言和中间件工具,设计并实现了一套基于深度卷积神经网络的舰船目标识别的可视化原型平台。