海上船舶监测一直是海上交通监管的重要内容之一,对于监测船舶航行动态、遇难船只搜救等具有重要意义。卫星遥感技术因其覆盖范围更广、无需船舶通信等,成为海上船舶监测的新手段。尤其是随着高分辨率遥感技术的兴起,基于遥感影像的船舶细粒度分类逐渐成为新的研究热点。在基于遥感影像的船舶船细粒度分类研究中,深度学习方法相较于传统目标提取方法取得了更好的效果。但当前研究对船舶方向和尺度变化的考量不足,使得提取方法和模型不具有鲁棒性。针对上述问题,本文开展了如下研究工作:（1）在VGG16网络的基础上,提出了考虑船舶旋转不变特征和多尺度特征的光学遥感影像船舶细粒度分类算法。针对旋转不变特征问题,在特征提取网络中引入了径向梯度变换特征,该特征具有旋转不变性。针对多尺度检测问题,使用可变注意力机制进行多尺度特征检测,为模型特征提取网络中不同层次的特征分配不同的权重值,提高了模型对于不同尺度的船舶特征的表达能力,从而提高模型的整体检测性能。（2）为实现并检验上述方法,通过Label Img构建了船舶的高分辨率光学影像数据集。在此数据集上,分别对引入旋转不变特征、多尺度特征前后以及整体分类精度进行分析。结果表明:考虑旋转不变特征后,分类精度提高7.1%;考虑多尺度特征后,分类精度提高2.9%;综合考虑这两个特征后,分类精度提高9.6%;研究所提出方法较Faster R-CNN、YOLO v3、YOLO v4、YOLO v5和SSD方法在平静海面条件下精度分别提高11.7%,4.8%,0.3%,0.3%和3.0%;在粗糙海面条件下分别提高11.1%,5.6%,0.6%,0.4%和6.8%。研究所构建的海上船舶高分辨率光学数据集可供国内外同行共享使用,所提出的船舶细粒度分类方法较好地解决了船舶方向和尺寸变化带来的监测提取误差问题,提高了船舶监测分类精度,能够为远洋船舶的精细化监测、监管提供技术支撑。