可见光遥感在近年来快速发展,为人们在高空视角上提供了更丰富的细节信息。其中对于舰船目标的处理任务因为其独特的目标特性、广泛的应用背景,成为了目前研究的热点。本文从舰船检测的工作流程入手,结合前沿深度学习理论,进行了遥感图像的增强去雾和定位识别的研究。本文主要工作总结如下:(1)提出了一种基于对偶学习理论的弱监督生成对抗网络遥感图像去雾方法。针对目前深度学习去雾方法依赖有配对数据集的缺陷,提出了一种基于生成对抗网络的去雾网络。本网络直接使用非配对的真实有雾-无雾图片,通过添加循环感知损失的编码器-解码器网络学习有雾到无雾的隐式映射转换关系,同时设置其对偶网络学习无雾到有雾的映射转换关系,两个网络互相进行对抗学习,通过训练得到一个可以直接由有雾图片输出无雾图片的生成器。本方法在人工合成有雾图像和真实遥感有雾图像上进行了测试,在相关评价指标如峰值信噪比等方面获得了提升,同时生成图片更加接近于真实无雾图像,提升了视觉效果。(2)提出了一种基于改进特征编码和感兴趣区域采样方式的舰船检测方法。本章网络的特征编码部分,使用了空洞卷积来保持特征学习结构最后三层的特征图尺寸,在不减小极深网络带来的大感受野的同时,保留低层位置信息不在特征图尺寸缩放的过程中丢失,增强了对多尺度舰船目标的检测效果;之后在感兴趣区域采样过程中使用双线性插值对齐的方法替代原有的直接池化方式,避免因为两次整数量化导致的候选框偏移;最后使用非线性的非极大值抑制方法,减少了对于交叠预选框的误删除。通过实验证明本文方法在水平矩形轮廓框标注方式上,对于舰船目标提高了准确率和召回率等性能。(3)提出了一种基于分割模型和无锚点边框生成的舰船检测方法。不同于主流的水平矩形轮廓框标注方式,本节使用了更精确的有角度标注的旋转轮廓包围框,提出了一种在分割结果上直接使用像素点进行任意角度边框回归的方式,并通过添加对样本重叠部分进行约束的损失函数和基于类别置信度的非极大值抑制方法,完成旋转轮廓框标注的舰船目标检测。通过在新型旋转框DOTA、HRSC2016等数据集上的实验,表明本方法对舰船检测这一特殊任务较为有效,相对于现有方法取得了明显的性能提升。