我国海洋资源丰富,对于发展海洋经济、维护国家海洋权益、建设海洋强国具有重要意义。舰船作为海上交通以及资源探测的重要目标,开展海面舰船目标检测可广泛应用于军事以及民事方面。而随着航天遥感技术的发展,光学遥感卫星分辨率也不断提高,为舰船目标检测提供了更丰富的颜色以及纹理信息。但同时也会出现一些问题,例如幅宽较大的舰船遥感图像检测时间长;在复杂背景下,存在薄云、海杂波、舰船尾迹或舰船停泊在港口时等情况,会导致检测可靠性低。因此,排除复杂背景的干扰,快速、准确的检测海面舰船目标成为近些年的研究重点。针对复杂海况下,高分辨率舰船遥感图像具有幅宽大、细节丰富等特点,论文提出舰船检测模型主要包含两个部分:舰船目标候选区域定位和舰船目标检测。其中目标候选区域定位利用基于显著性视觉的检测方法,解决了大幅宽图像检测时间长的问题,并且排除舰船遥感图像部分薄云、海杂波的干扰,快速准确的定位舰船候选区域。舰船目标检测利用基于深度学习的语义分割方法,解决了由于背景复杂导致检测准确率低的问题。具体内容包括:（1）由于高分辨率舰船遥感图像易受薄云、海杂波等影响,同时大幅宽图像检测时间长,论文提出了自适应超像素分割的显著性候选区域模型,首先通过吸引函数和归属函数自适应不同大小的舰船目标形成超像素,然后计算图像块之间的相似度以及区域的连通值,设置阈值即可得到显著性结果,最后提出基于Sobel算子的分割方法将显著性区域二值化,映射到原图并分割,得到候选区域。（2）针对候选区域中港口背景等依然会对检测结果造成影响,论文提出了基于深度语义分割的海面舰船目标检测模型,近一步检测舰船。该模型以Res Net网络为基础,首先通过深度卷积神经网络对舰船遥感图像进行粗分割,然后经过全连接条件随机场,利用高斯成对势和平均场近似定理,建立全连接条件随机场为循环神经网络进行细分割,实现了端对端的连接,得到舰船检测结果。通过候选区域定位及舰船检测方法在本文建立的数据集上与其它先进方法进行对比,实验表明,对于不同情况下的高分辨率舰船遥感图像,本文方法能够快速准确的检测出舰船且边缘轮廓清晰,优于其它模型,平均交并比为84.3%,时间为0.8s,满足高分辨率舰船遥感图像检测的需求。