合成孔径雷达(Synthetic Aperture Radar,SAR)是一种全天时全天候工作、穿透力强、分辨率高的雷达,在海洋监测领域有着广泛应用,而海面舰船检测又是海洋监测中极其重要的一部分,因此对SAR图像舰船目标检测技术的研究具有十分重要的价值和意义。本文的研究内容主要分为三部分:海陆分割,舰船检测以及虚假目标剔除,具体的工作安排如下:首先对海陆海陆分割技术进行了研究。首先针对一般SAR图像场景,介绍了基于自适应阈值的海陆分割技术,在该方法中,主要介绍了图像滤波方法、图像二值化方法、二值化图像拓扑结构分析方法、形态学处理方法和陆地获取方法,并利用星载SAR海陆交界图像进行实验,对该种分割方法进行验证和分析。然后针对复杂SAR图像场景,提出了基于U-net神经网络的海陆分割技术,U-net是一个端到端的神经网络,最初是应用在医学图像分割上,在该技术中,首先分析了U-net神经网络应用于SAR图像海陆分割的可行性,然后对其调整使其适用于SAR图像的海陆分割,然后详细介绍了U-net网络结构及原理、对大场景SAR图像的预处理方法、训练集的建立方法及训练方式,通过可视化特征提取过程对训练过程进行了分析,最后利用复杂SAR图像场景进行实验,并与前一种方法进行对比,对该技术进行验证和分析;最后针对U-net分割网络在陆地边缘细节上的表现不足之处,结合基于自适应阈值的海陆分割技术的优点,提出了一种基于U-net与自适应阈值的集成分割方法,并通过实验对比,解决了U-net在陆地边缘的不足之处,得到更优的分割结果。然后研究了SAR图像舰船目标检测算法,本文选择恒虚警率(Constant False Alarm Rate,CFAR)检测算法作为舰船目标检测方法,介绍了多种海杂波分布模型,对基于不同杂波统计模型的CFAR检测进行分析,并介绍其参数估计方法;然后介绍了现有的CFAR检测器,对它们的优缺点及适用性进行了分析;然后针对CFAR算法参数估计计算复杂度高和背景窗中杂波不纯净的问题,在对数正态分布模型和CA-CFAR检测器的基础上,深入研究了基于快速卷积的迭代CA-CFAR舰船目标检测方法,并进行了复杂度分析,相对于传统参数估计方法大大降低了复杂度,最后使用实际SAR图像数据进行实验,对实验结果进行了对比分析。在SAR图像虚假目标剔除算法研究中,首先使用面积法对虚假目标进行初步剔除,这一步可以将小面积的虚假目标剔除掉;然后针对与舰船目标大小类似的虚假目标,本文设计了用于虚假目标剔除的卷积神经网络(Convolutional Neural Network,CNN)模型,首先介绍了卷积神经网络的原理,包括前向传播和反向传播方式等,介绍了CNN网络结构、数据集的构造、训练方式、参数设置,最后分别使用训练集数据和实际数据与SVM进行对比分析,验证了CNN用于虚假目标剔除的优势。最后从工程角度介绍了本文的整个系统流程,对本文的开发环境进行了介绍,包括硬件环境和开发语言环境,开发语言环境中重点介绍了Keras深度学习框架的使用,并对部分API的使用进行了介绍,然后对系统界面的使用进行了展示。