简缩极化SAR(CPSAR)作为一种新的对地观测传感器,近年来备受关注。CP SAR相较于全极化SAR提供了更大范围的观测,而与线性双极化SAR及单极化SAR相比,其观测结果信息量更丰富,对地物的描述也更全面。这些特性使得CP SAR作为一类新的对地观测的工具将在海事监测、国土资源调查等领域发挥重要作用。本文针对CP SAR影像舰船检测技术开展研究,主要包含以下三个方面:(1)本文提出了一种改进的基于简缩极化散射特性的CP SAR影像舰船检测框架。其中,针对不同影像间简缩极化特性不一致问题,设计了哨兵滤波器进行处理。同时,该做法可以减少海洋杂波的影响,降低虚警率。在框架中,SVM分类器被用于进行逐像素分类工作。为了进行舰船检测实验,选择了5景基于高分三全极化SAR影像模拟得到的CP SAR影像。实验结果表明,与传统舰船检测方法(例如,恒虚警率算法和极化白化滤波器)以及未经哨兵滤波的基于极化散射特性方法相比,本文所提出的方法具有更好的检测性能,使得虚警率降低了35%。(2)针对海陆分割与舰船检测分步进行造成的算法效率及误差传播问题,引入深度学习图像分割算法进行像素级检测。在像素级标注中考虑了三个类别(舰船,陆地和海洋)。该网络采用多个带有连续卷积操作的下采样来提取图像特征。然后,在上采样中结合深层语义信息和浅层高分辨率特征来获得最后的逐像素分类结果。基于由高分三全极化SAR影像模拟得到的CP SAR影像的实验表明了该方法的有效性。与常用深度学习目标检测算法Faster-RCNN相比,本文方法具备更好的舰船检测能力,其Precision和Recall均大于90%,F1 score为0.916。(3)当前,遥感影像深度学习应用中,存在一个亟待解决的瓶颈,即,因数据获取成本高、数据标注成本高造成的高精度标注数据匮乏。本文尝试设计一种基于主动学习的CP SAR影像舰船检测框架,通过合适策略,选择信息量丰富的数据进行标注,从而在达到一定算法精度需求的前提下,极大限度降低数据标注成本。实验结果显示,主动学习方法可以有效降低数据需求并能确保一定的检测精度。同时,在数据选择策略的对比中,基于信息量的熵值不确定性抽样法表现出更好的效果,在后续框架构建中,被作为首选数据选择策略。