基于卫星图像的海面目标检测任务要求标记出目标在图像中位置,并且准确给出该目标所属类别。当前目标检测方法分为两个主流方向:两步检测方法和一步检测方法。两步检测方法的优点是较高的准确率,缺点是速度慢;一步检测方法的优点是检测速度快,缺点是精度差。本文是针对卫星图像中船舶目标检测应用研究,任务实时性要求较高。所以,本文在一步检测算法方向进行研究。一步检测算法是工程应用友好型方法,但是较低的准确率依然是制约其大面积应用的关键因素。为了提升此类型目标检测方法的精度,本文提出了高层双向多尺度特征融合网络并且采用了广义交并比损失函数,大幅提升了召回率,小幅提升了类别平均准确率。还利用深度可分离卷积替换普通卷积,缓解了因为增加高层双向多尺度特征融合模块造成的计算速度下降问题。为了保持较快的计算速度,结合本文船舶类别数量较少的情况,压缩了特征提取网络的特征图通道数。实验结果表面,本文提出的高层双向多尺度特征融合网络在保持较快检测速度前提下,提升了检测性能。本文还借助“移动数字”数据集和制作的船舶移动序列图,研究了船舶移动预测方法。船舶移动预测属于图像序列预测问题,预测结果图存在像素模糊和空间结构信息丢失的缺点。本文提出了多分支卷积长短时记忆神经网络,有效增强了序列图像预测结果的空间结构信息表达能力,像素清晰度有较大提升。