智能化舰船图像识别已开始出现在军事领域中,例如卫星SAR（Synthetic Aperture Radar,合成孔径雷达）图像和导弹末端制导中的舰船智能识别,智能识别的安全识别问题越来越受到重视,即使最顶级的AI也容易受到对抗与干扰。而且,现阶段舰船图像智能识别并没有充分考虑实际应用中可能受到的复杂的海洋环境与电磁环境的强烈干扰所带来的问题。因而提出舰船图像智能识别的安全防御策略,来应对可能受到的干扰与威胁。研究内容主要包含:（1）针对可能受到的环境干扰,利用图像数据增强技术对图像数据进行扩展,一方面扩充图像数据库,另一方面模拟实际环境中可能受到的干扰因素生成受到干扰后的图像加入训练数据集,例如恶劣天气导致光线变暗,照片变模糊,噪声干扰或干扰导致的图像部分像素缺失等,来增强分类模型的抗干扰能力。（2）对于梯度下降类别的白盒攻击,目前的防御方法需要重新训练智能分类模型或训练辅助网络模型,便提出了FGSM-Defense算法,一种新的防御此类对抗攻击的方法。该算法在原有分类模型的基础上实现防御攻击,算法内核仍然采用攻击算法的原理,获得初次分类出错的含有真实目标类别的置信度列表,通过三次有目标攻击,分布筛选出其真实的目标类别。算法的优点是保留了原有分类模型,降低了防御开销,在防御测试实验中的准确率为53.1%。本文一共分为五章。第一章介绍了舰船图像智能识别相关技术的研究背景和国内外研究现状,同时指初了智能识别系统在安全性方面所面临的问题。第二章对现阶段图像智能分类领域内举足轻重的神经网络模型与算法,例如GoogleNet、VGGNet、YOLO算法、Faster R-CNN算法和典型的对抗攻击算法等,结合原理图详细分析了其采用的原理技术。第三章提出了舰船图像智能识别的安全防御策略,并详细介绍了防御策略所用到的数据增强技术和新的防御算法,着重阐述了FGSM-Defense防御算法的原理以及形成过程。第四章主要展示了新防御算法的Python实现过程,验证了算法的有效性。第五章对全文进行了总结。