随着海运事业的快速发展,海洋环境中的船舶数量逐年增加,导致船舶监控更具挑战性,难以保障船舶的安全行驶以及工作效率。现实海洋监控中,受海浪、杂波等背景干扰以及船舶尺度变化影响,现有船舶检测方法通常存在船舶误检和漏检现象。因此如何对复杂情况下的船舶实现有效地监测定位,受到了国内外研究人员的广泛关注。此外,船舶目标具有类别多,颜色、外观和尺度多变等特点,现有方法对船舶目标的全局和局部特征捕捉并不理想,影响了不同种类船舶的识别精度。如何更加准确地识别出不同种类的船舶,实现港口区域船舶的精细化监视也同样具有重要的研究意义。本文主要分析了船舶检测和细粒度识别方法的现有研究趋势,结合海洋环境和船舶自身特点,提出对应的改进方法,从而提高船舶检测和细粒度识别的性能。本文具体内容包括:（1）针对现有船舶检测方法容易出现漏检和误检现象的问题,提出一种特征增强尺度感知的船舶检测方法。通过设计特征增强模块并插入至主干网络中,利用空间统计信息和通道注意力在一定程度上抑制背景噪声。进而增强船舶区域的目标特征描述力,更加精确地定位船舶。为了进一步缓解船舶漏检现象,在特征金字塔融合阶段前,设计尺度感知模块,利用不同扩张率的空洞卷积丰富模型的感受野进而增强网络对船舶尺度变化的鲁棒性。最后,改进船舶检测头部网络,通过结合分类信息和回归信息求取中心度损失,更好地抑制低质量边界框,提升模型的检测性能。在公共船舶数据集Sea Ships和新加坡海事数据集上进行的定量和定性实验结果表明,本文船舶检测方法与许多经典或先进的方法相比,获得了更加准确的检测结果。通过在PASCAL VOC数据集上的实验证明,本文检测方法对通用目标也具有不错的检测性能。（2）针对现有方法难以更好地挖掘船舶判别性特征的问题,提出一种Transformer序列特征增强下的船舶细粒度识别方法。首先,将整张图像划分为多个图像块,采用Transformer编码结构提取特征信息来探索不同图像块之间的关联。其次,为了充分利用较低编码层中包含的细节信息,本文对不同深度的编码层计算出一个综合权重,使其对高层序列进行微调。最后,为了有效利用高层视觉序列中的语义信息,将视觉序列通过二阶互协方差池化后与分类序列相结合共同用于船舶种类预测。通过在公共船舶数据集Marvel上的定量和定性实验结果表明,相比于目前主流的细粒度识别方法,本文方法通过增强船舶目标全局特征与局部特征的捕捉能力获得了更加优越的船舶识别性能。此外,本文识别方法在鸟类数据集CUB-200-2011和更具挑战性的棉花叶子数据集Cotton上也表现良好。