合成孔径雷达(Synthetic Aperture Radar,SAR)成像技术广泛应用于目标识别、地物监测等领域。作为SAR图像解译的重要技术之一,舰船轮廓提取能够为舰船分类和识别提供尺寸、形状和航向信息,对实时获得海上军事情报起着重要作用。近年来,关于SAR图像舰船检测的方法层出不穷,种类繁多,但关于SAR图像轮廓提取的研究相对较少。SAR图像舰船轮廓提取通常可以分为全场景舰船检测和各舰船的轮廓提取两个部分。本文利用超像素分割、区域生长、目标检测和活动轮廓模型方法,对大场景SAR图像舰船轮廓提取方法进行了研究。本学位论文内容安排如下:第二章对现有目标轮廓提取方法进行回顾。首先介绍了基于区域信息的分割方法,包括超像素分割方法的原理流程和区域生长模型。然后介绍了传统基于模型优化的曲线演化方法,包括Snake模型、Chan-Vese模型和测地活动轮廓(Geodesic Active Contours,GAC)模型,并分析了活动轮廓模型的特点及其局限性。最后介绍了基于水平集演化模型的轮廓提取流程。第三章针对SAR图像多舰船轮廓检测问题,提出了基于超像素分割和区域生长的舰船轮廓生长方法。首先,利用基于有限混合模型(Finite Mixture Models,FMMs)的超像素分割获取SAR图像的超像素级场景划分,然后利用统计直方图提取灰度均值高于预设阈值的超像素作为舰船轮廓生长的种子区域。根据区域生长准则,种子区域沿其边缘方向并行地向外生长,形成最终的舰船轮廓。基于实测SAR图像的实验,验证了本方法的有效性。第四章针对大场景SAR图像中不同尺寸的舰船轮廓提取问题,结合舰船检测方法和活动轮廓模型,提出了快速舰船轮廓提取方法。首先基于有监督支持向量机(Support Vector Machine,SVM)的BING(Binarized Normed Gradients)算法提取图像中的舰船切片,并在每个切片中利用形态学滤波获得舰船初始轮廓。然后将获得的舰船初始轮廓作为活动轮廓模型的初始演化曲线,迭代地产生舰船的最终轮廓。基于实测SAR图像舰船数据的实验结果表明,与传统方法进行对比,本章提出的方法更加高效准确。