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；

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S2中，对 BiFPN结构进行改进：在原有BiFPN结构的基础上，去除只有一条输入边的节点；在分辨率较小的特征图上增加输入特征图数量；在上采样过程中采用拼接操作，在下采样过程中采用叠加操作。

3.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，并且考虑预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。

4.如权利要求3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。

5.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。

6.如权利要求5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。

7.一种基于权利要求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。