光学遥感卫星能够快速获取广域海面信息,对海洋资源监控具有重要。但受星上数据处理能力限制,如何快速实现海上遥感船舶目标检测是当前海面监控中急需解决的问题。近年来,随着计算机运算能力提升,人工智能技术在各个领域得以广泛使用,尤其是在目标检测和检测领域,基于人工智能的目标检测方法,已经成为如今世界上检测效率最高的方式之一。因此,本文重点针对光学遥感图像数据,采用人工智能方法进行海上船舶精确检测研究,主要包括以下内容:(1)验证了基于人工智能的船舶目标检测方法相较传统检测方法的正确性和有效性。建立自行制作的大型船舶数据集,对比了基于人工智能网络的目标检测网络(Faster R-CNN神经网络)与传统检测方法的性能,通过测试图片输出的结果,结果表明Faster R-CNN的准确率和召回率都较传统检测方法更具鲁棒性:在检测特征较为明显的目标时,准确率可以达到90%以上。(2)提出一种基于人工智能在复杂环境下的小型船舶目标的新型精确检测方法。该方法将FPN特征金字塔网络引入Faster R-CNN框架,并且在FPN的感受野部分做出改进,减少步长,扩大FPN感受野和表达能力,从而可以精确的检测复杂地理环境下的小型遥感目标。本文以小型船舶目标为主要检测目标,试验结果表明,本文提出的方法的准确率和召回率为99.4%和90.6%,较Faster R-CNN方法相比提高3.3个百分点和3.1个百分点。(3)提出一种适用于有云层或浓雾遮挡下的船舶目标高精度检测方法。该方法在本文小型船舶目标的检测网络基础上,引入Soft-NMS模块,增加级联结构,通过调整IOU阈值,并且在每个阶段依次训练,从而较为精确检测在复杂地理环境下的有云雾遮挡的船舶目标。通过带有浓雾、云层遮挡的数据集进行测试,本文提出方法的准确率和召回率都达到了80.62%和88.76%,较CVPR2018年的Cascade R-CNN方法(在Faster R-CNN框架下的如今最好的目标检测的方法之一)的平均准确率高出3%,召回率高出4%。