1.一种海上船舶目标识别方法，其特征在于，所述方法具体包括如下步骤：

S1、构建船舶目标的样本集，样本集包括训练样本集及测试样本集；

S2、基于改进后的SSD网络模型对船舶数据训练集进行训练，获取船舶目标识别模型，改进后的SSD网络模型是指在神经网络的第七层加入L2正则化惩罚项，降低第七层的特征敏感度；

S3、基于船舶测试数据集对船舶目标识别模型进行测试，当船舶目标识别的准确率大于准确率阈值，则输出所述船舶目标识别模型，若船舶目标识别的准确率小于等于准确率阈值，则执行步骤S2。

2.如权利要求1所述海上船舶目标识别方法，其特征在于，L2正则是基于L2范数实现的，即：其中，C为正则化项，C0表示正则化项的训练样本误差，n是训练样本个数，λ是正则项系数，ωi为神经网络中第i个神经元的权重。

3.如权利要求1或2所述海上船舶目标识别方法，其特征在于，收集包含船舶目标的船舶图像，对船舶图像中的船舶目标及背景进行类别及位置的标注，形成训练样本，放入训练样本集中，将包含有船舶目标的船舶图像作为测试样本，放入测试样本集。

4.如权利要求1或2所述海上船舶目标识别方法，其特征在于，在tensorflow框架下，通过在配置为英特尔Core i7‑8750H处理器、主频为2.20GHz、显卡为GTX1050Ti、显存为4G的主机上运行JetBrains PyCharm Community Edition 2018.3.4 x64软件通过加载预训练好的VGG16模型和船舶目标的练样本集，并采用卷积步长为8进行改进后的SSD网络模型训练，获得船舶目标识别模型。