1.一种基于改进YOLOv5的舰船目标识别方法，其特征在于，该方法包括以下步骤：S1：获取待检测图像，分为训练集和测试集；

S2：改进YOLOv5模型：以YOLOv5模型为基本架构，使用CSPOSA模块作为特征提取模块、使用BiFPN结构作为特征融合结构、设置Alpha‑IoU损失函数，对BiFPN结构进行改进：去除只有一条输入边的节点，在分辨率较小的特征图上融合更多的特征信息；所述改进YOLOv5模型包括：(1)输入层；(2)卷积层Conv；(3)特征提取层CSPOSA_1应用在backbone网络中，包含F1、F3和Concat操作，F1是指卷积核大小为1×1的卷积；F3是指卷积核大小为3×3的卷积；

在Concat之后，对得到的特征图使用1×1卷积降维，压缩参数，减少计算量；然后与浅层特征特征融合，丰富特征数据；Backbone网络将三种不同分辨率大小的特征图像输入到Neck网络中；(4)特征提取层SPPF，将特征提取层CSPOSA_1输出的特征图作为输入，使用金字塔池化结构进行特征提取；(5)Neck网络，将特征提取层SPPF输出的特征图作为输入；(6)特征提取层CSPOSA_2应用在Neck网络中；(7)特征融合层Concat，将上采样得到的特征图和Backbone网络输出的特征图进行融合；(8)特征融合层ADD，将下采样得到的特征图和Backbone网络输出的特征图以及上采样得到的特征图进行融合；(9)输出层Head，将Neck网络的三种不同尺度的特征作为输入；

S3：利用训练集对改进的YOLOv5模型进行训练；

S4：利用训练好的YOLOv5模型对测试集进行检测，输出船舰目标检测结果。

2.如权利要求1所述的舰船目标识别方法，其特征在于，所述Alpha‑IoU损失函数设置如下：(1)在DIoU的基础上，CIoU_Loss添加一个影响因子，并且考虑测框和目标框二者的长宽比：gt

其中，β是权重函数，b为预测框中心点坐标，b 为真实框中心点坐标，ρ(，)是欧式距离计算；c为预测框、真实框最小包围框的对角线长度，IoU为交并比损失函数，v是度量框的长宽比的相似性可表示为：gt gt

其中，w 、h 分别是预测框的宽和高，w、h是目标框的宽和高；

(2)为提高网络精度，为小数据集和嘈杂的边界框提供更强的鲁棒性，最终得到的损失函数如下：gt

其中，β是权重函数，b为预测框中心点坐标，b 为真实框中心点坐标，ρ(，)是欧式距离计算；c为预测框、真实框最小包围框的对角线长度，IoU为交并比损失函数。

3.如权利要求2所述的舰船目标识别方法，其特征在于，上述损失函数中，通过设置α次幂使得在高IoU状态下，预测框更好的回归真实框；当α为3时，模型性能达到最优。

4.如权利要求1所述的舰船目标识别方法，其特征在于，所述S1中，获取的图像中还包括退化图像，即雨、雾和弱光图像。

5.如权利要求4所述的舰船目标识别方法，其特征在于，退化图像的模拟仅在训练集中进行；对待操作的图像进行随机选择，确定图像的模拟退化操作，操作分别为合成雾天图像、合成弱光图像和合成雨天图像；最终训练集中原始、雾天、雨天、弱光图像占比为3:1:1:

1。

6.一种基于权利要求1所述方法的舰船目标识别的系统，其特征在于，包括：数据采集模块，用于采集舰船图像；舰船识别模块，训练改进YOLOv5模型、将舰船图像输入训练好的识别模型中，并输出识别结果。