基于深度学习的目标检测算法直接应用于航天光学遥感（Space Optical Remote Sensing，SORS）复杂场景图像中会出现舰船目标检测效果不佳的问题。针对该问题，本文以近海复杂背景的密集排布舰船和远海多干扰中小目标舰船为检测对象，提出一种改进的YOLOX-s（Improved You Only Look Once-s，IM-YOLO-s）算法。在特征提取阶段，引入CA位置注意力模块，分别从高度与宽度两个方向对目标信息的位置进行权重分配，提高了模型的检测精度；在特征融合阶段，将BiFPN加权特征融合算法应用到IM-YOLO-s的颈部结构，进一步提升了小目标船只检测精度；在模型优化训练阶段，以CIoU损失替代IoU损失、以变焦损失替代置信度损失、调整类别损失权重，增大了正样本分布密集区域的训练权重，减少了密集分布船只的漏检率。另外，在HRSC2016数据集的基础上增加额外的离岸中小舰船图像，自建了HRSC2016-Gg数据集，HRSC2016-Gg数据集增强了海上船只及中小像素船只检测时的鲁棒性。通过数据集HRSC2016-Gg评测算法性能，实验结果表明：IM-YOLO-s对于SORS场景舰船检测的召回率为97.18%，AP@0.5为96.77%，F1值为0.95，较原YOLOX-s算法分别提高了2.23%，2.40%和0.01。这充分表明该算法可以对SORS复杂背景图像进行高质量舰船检测。

基于压缩感知的航天光学遥感成像系统可以在采样阶段通过硬件同时完成采样和压缩。在面临舰船检测任务时，系统需要重建原始场景，CS的场景重建过程计算量大、内存要求高且耗时。本文提出了直接对成像系统测量值进行舰船检测的算法——基于压缩感知和改进YOLO的测量值舰船检测算法。为了模拟成像系统的分块压缩采样过程，利用步长和卷积核尺寸相等的卷积测量层对场景进行卷积运算，将高维图像信号投影到低维空间得到全图CS测量值。得到场景的测量值后，测量值舰船检测网络从测量值中提取舰船的位置信息。在主干网络中导入SENet模块，利用改进后的主干网络来提取测量值的舰船特征信息；利用特征金字塔网络强化特征提取的同时融合浅层、中层和高层的特征信息，进而完成舰船的位置信息预测。其中，CS-IM-YOLO将卷积测量层和CS测量值舰船检测网络连接起来端对端训练，大大简化了算法的预处理过程。通过数据集HRSC2016评测算法性能，实验结果表明：CS-IM-YOLO对于SORS场景CS测量值舰船检测的检测精度为91.60%，召回率为87.59%，F1值为0.90，和AP值为94.13%。这充分表明该算法可以对SORS场景的CS测量值进行高质量的舰船检测。

合成孔径雷达（SAR）具有不受云层干扰、可全天时、全天候对地观测的特点，基于SAR图像的舰船检测已广泛用于海洋搜救、港口侦察、领海防御等民用或军用领域。然而，与大型舰船相比，像素点少、对比度低的小型舰船存在漏检率高的问题，并且速度和精度之间的平衡成为舰船检测算法天基应用的难点。针对以上问题，本文提出了一种基于YOLOv5s模型改进的舰船检测轻量化模型（ImShips）。首先，针对船体大小差异导致的漏检问题，采取在网络底部使用感受野较小的标准卷积，提升了模型对小规模舰船空间信息的获取能力。同时，在网络顶部设计了放大感受野的扩张卷积，保留了更多的语义特征，有利于大目标的特征提取。接着，提出将轻量级的通道注意力机制应用于YOLOv5的骨干网络和特征融合网络，通过对提取到的特征按重要性分配权重，实现纹理信息的筛选。最后，在下采样时采取深度可分离卷积代替标准卷积，减少了模型参数的数量，进一步提高了模型的推理速度。实验结果表明，在SAR舰船检测SSDD和ISSID数据集中，改进后的ImShips模型在保证精度的同时，所需的浮点计算数比YOLOv5s模型减少了45.61%，检测速度提高了8.31%。ImShips模型网络规模小、检测速度快，在实时天基舰船检测中具有较大的应用潜力。