1.一種基于多層卷積神經網絡的艦船目標識別方法，其特征在于，包括：

S1、采用已有的圖像、參數和模型數據構建艦船樣本庫，并通過檢測目標數據采集改進艦船樣本庫；

S2、在卷積神經網絡的框架下，通過對艦船樣本庫的識別訓練，形成可見光/紅外和二維/三維融合的艦船特征知識庫，用于進行艦船目標分類識別；

包括：建立基于深度卷積神經網絡的艦船目標特征訓練架構，包括特征共享CNN層、可微調CNN層、區域提取模型、ROI池化層以及分類回歸全連接層；

共享特征CNN層是現存的深度卷積神經網絡分類模型去掉最后全連接層的部分，在進行艦船目標檢測識別模型訓練前，在VOC分類數據集或是ImageNet分類數據集上進行預訓練來提高對圖像特征的提取能力，然后再利用此訓練好的分類模型去掉全連接層部分的參數對共享特征CNN層進行參數初始化；

可微調CNN層用于在線增量學習；

區域提取模型是卷積神經網絡，在共享CNN層和可微調CNN層后，構造了一個卷積層和兩個并列的全連接層的神經網絡，通過共享CNN層特征以及可微調CNN層特征來實現可能存在待檢艦船目標區域的提取；

ROI池化層，用于經過ROI池化后，輸出固定維度的特征向量；

艦船目標檢測識別模型訓練包括4步階段；第一階段：使用在樣本庫上進行預訓練的分類模型對共享特征CNN層參數進行初始化，同時利用零均值方差為σ的高斯正態分布對可微調CNN層以及區域提取模型進行權重和偏置項的參數初始化，最后再利用可見光或紅外訓練集圖像數據對區域提取神經網絡模型進行微調；第二階段：使用第一階段中區域提取模型提取的區域提取訓練共享特征CNN層、可微調CNN層，同時利用在Voc2012或ImageNet數據集上進行預訓練的分類模型初始化共享特征CNN層參數；第三階段：使用第二階段訓練好的共享特征CNN層、可微調CNN層參數，重新初始化區域提取模型的共享特征CNN層、可微調CNN層參數，然后固定共享特征CNN層、可微調CNN層參數并對區域提取神經網絡模型進行微調；第四階段：將第三階段中區域提取神經網絡模型的卷積層參數凍結并提取區域提取，然后共享特征CNN層、可微調CNN層參數進行微調；

S3、對海上艦船目標的可見光或紅外視頻數據進行實時高分辨率的采集；

S4、對海上艦船目標進行檢測；

S5、艦船目標圖像粗分類針對艦船的大類進行簡單的分類，降低后續艦船目標細分類識別的工作量；

S6、基于艦船目標特征訓練完成的深度神經網絡模型開展艦船目標的細分類識別工作，準確的識別出艦船的類型；

軍艦和民船的識別包括：

記訓練集為{(x₁，t₁)，……，(x_N，t_N)}，其中x_i是輸入，t_i是目標輸出，N是訓練集的樣本數，深度神經網絡集成的輸出定義為：其中m為神經網絡的個數，F_i(n)是第i個深度神經網絡在第n個樣本上的輸出，而F(n)則是深度神經網絡集成在第n個樣本上的輸出，使用的ResNet深度神經網絡用于集成學習，從而達到對新來圖像數據集的增量學習，包括四個模塊：初始ResNet深度神經網絡集成、當前ResNet深度神經網絡集成、復制ResNet深度神經網絡集成以及新ResNet深度神經網絡集成；

首先利用第一個軍艦和民船圖像數據集對初始ResNet深度神經網絡集成進行訓練得到當前ResNet深度神經網絡集成；然后，將當前ResNet深度神經網絡集成進行復制得到復制ResNet深度神經網絡集成；接下來，當第二個軍艦和民船圖像數據集到來時，利用該數據集對復制ResNet深度神經網絡集成進行訓練，得到新ResNet深度神經網絡集成；最后，應用選擇性負相關學習方法進行選擇。