物体检测是利用计算机程序从图像中找到指定目标的技术，是众多高层视觉任务的基础，也是计算机视觉领域中经久不衰的研究热点。随着无人机技术的发展，合成孔径雷达（Synthetic Aperture Radar, SAR）作为一种先进的主动式微波成像传感器，可以全天时、全天候地生成高分辨率地表图像，已经成为无人机搭载的重要视觉设备。SAR图像中的舰船检测作为SAR图像理解的基础步骤，能够为海事管理和交通控制等实际应用提供重要支撑，在民用和军用领域具有重大的应用价值和理论意义。SAR图像舰船检测主要有三个难点：一是近海场景带来的复杂背景使得舰船检测精度不高；二是SAR图像中船舰目标尺度多样，为实现高精度的舰船检测带来了挑战；三是实际应用需要能够在CPU等计算资源受限的设备上实时运行的高效率检测算法，同时维持较高的精度。

随着深度学习的到来，物体检测技术得到了飞速的发展，传统物体检测算法的性能被大大超越。本文以SAR图像中的舰船检测为应用背景，对现有的基于深度学习的通用物体检测算法进行改进，在复杂背景中的舰船检测、高精度舰船检测、高效率舰船检测这三个方面进行了深入地探索，解决了现有算法在近海舰船检测、多尺度舰船检测、速度精度平衡上的问题，得到了更适合SAR图像舰船检测场景的高性能的物体检测算法。本文的主要贡献包含以下几个方面：

1. 提出了一个基于语义注意力的复杂背景中的SAR舰船检测算法
针对近海场景中的舰船受复杂背景影响导致检测精度低的问题，本文提出了一个语义注意力模块和一个适配舰船检测数据集的基础模型，借鉴无锚框物体检测算法分类分支的结构，设计了语义注意力子网络，其输出的注意力图可以实现语义分割的效果，提供舰船目标区域的语义信息，经过注意力函数的作用，舰船目标区域对应的特征被强化，缓解了近海复杂背景的干扰，从而提升了近海场景的舰船检测精度。

2. 提出了一个基于空间注意力与特征对齐的高精度SAR舰船检测算法
针对SAR图像中舰船目标尺度多样的特点，本文设计了融合多层检测层的特征金字塔，利用不同的检测层对不同尺度的舰船进行检测，借鉴1.5阶段物体检测算法中特征对齐的技术，结合锚框的两阶段回归，基于可变形卷积层设计了对齐卷积层，进一步提升了模型的精度，最后对上一个工作中的空间注意力模块进行改进，在SAR舰船数据集（SAR Ship Detection Dataset, SSDD）上实现了目前最高的检测精度。

3. 提出了一个基于深度可分离卷积与自注意力的高效率SAR舰船检测算法
为了满足在实际设备中部署算法时的轻量化和CPU实时检测速度的需求，本文设计了一个轻量级的网络结构，结合了深度可分离卷积技术，得到了足够高的前向推理速度。为了进一步满足算法实际应用时的精度需求，对比了5种即插即用的自注意力模块对精度提升的程度，最终得到的模型可以在实现CPU实时推理的同时，保持足够的精度。