自二十一世纪以来人工智能技术的快速发展,深度学习中的神经网络算法凭借其自主学习能力在分类,检测和分割等任务上得到深入研究,目前基于深度学习的目标检测算法在行为监控、目标检测与追踪、自动驾驶等多个实际应用场景中都证明了其优秀的表现能力。随着遥感技术的进步雷达波已经成功达到毫米级别,合成孔径雷达（Synthetic Aperture Radar,SAR）作为一种应用最多、穿透力较强的雷达波,能够有效探测各种隐藏较深、伪装较强的目标,并以主动式成像方式生成类似于光学照片的高分辨率影像。并且凭借其全天时全天候的工作优势,在国民经济生活、人类自然探索和军事战略活动中都有着十分可观的应用前景。上世纪八十年代随着SAR技术的逐步发展,雷达侦测作为军事领域中最有效的侦察技术,SAR图像也被广泛用于海上目标追踪、海上援救等任务,大量高分辨率SAR图像的生成让研究学者们更加关注于SAR图像的解释和处理工作。因此SAR图像的船舰检测任务成为海洋作业中的重点研究工作,但是面对海况环境复杂、目标尺度跨度大、船舰目标密集且方向多变等问题,也让SAR图像的船舰检测任务面对着巨大的挑战。传统的目标检测算法有着检测效果不佳,计算量大,易受海面海杂波影响等局限性问题。基于深度学习的检测算法中大都是基于锚点框的垂直框检测,并没有深入考虑SAR图像中船舰目标的特点。因此本文主要基于深度学习的Anchor-Free的检测算法进行改进实现SAR图像中船舰目标的倾斜框检测,本文的主要工作如下:1)本文基于Anchor-Free的Center Net网络进行改进,针对SAR图像中的船舰目标实现倾斜框的检测方式。提出了一种Anchor-Free的SAR图像船舰检测算法,使用的Center Net网络直接回归目标无需非极大值抑制的端到端操作,能够快速、精准的检测出SAR船舰目标。本文基于Center Net网络改进提出了一种角边角（Angle Side Angle,ASA）的模型结构来实现船舰目标的斜框检测方式,并引入多尺度感受野块与反卷积层组成双分支结构,然后利用注意力块提取和融合特征为检测头分支提供更有效的特征信息,实验结果证明了本文提出的ASA的倾斜框检测方式更适用于海上方向多变的船舰目标检测,使用的Anchor-Free网络在检测速度和精度上都达到不错的效果,引入的多尺度感受野块有利于复杂场景下的多尺度船舰检测。2)实际应用场景中SAR图像检测系统大都搭载于航天设备中,鉴于检测系统的效率和硬件设备限制方面的考虑,模型应该具有高效、精确且轻量的优势。本文基于Center Net网络提出了一种轻量型SAR图像船舰检测模型Light-Center Net。Light-Center Net采用轻量级的Ghost Net网络作为特征提取网络以此达到模型的轻量化;并将检测头的三分支结构修改为四分支结构避免尺度与角度两类参数相互影响;为了增加模型对不同尺度船舰的敏感度,特征融合部分使用不同尺度的FPN层级联融合来获取不同感受野的特征信息。实验显示本文提出的Light-Center Net高效的完成SAR图像船舰检测任务。