Ante los problemas de escasez de datos públicos de barcos infrarrojos y la dificultad de obtenerlos, se propone un método de generación de imágenes de barcos basado en StyleGAN2 mejorado. La red de mapeo en StyleGAN2 se reemplaza con un Auto-Codificador Variacional, lo que permite que las variables latentes generadas retengan la información de imagen original mientras se reduce la complejidad computacional. Esto beneficia la construcción de la imagen. Además, se introduce un mecanismo de auto-atención para capturar información de dependencia entre características distantes, generando una representación de objeto más detallada. Al reducir el número de ruidos de entrada en el generador, se mejora efectivamente la calidad de las imágenes generadas. Los resultados experimentales muestran que las imágenes generadas por el método propuesto se asemejan estrechamente a la estructura, contenido y distribución de datos de las imágenes reales originales, logrando un mayor nivel de detalle. En cuanto a los métodos de detección de barcos basados en aprendizaje profundo, a menudo sufren de redes de detección complejas, numerosos parámetros, poca interpretabilidad y un rendimiento limitado en tiempo real. Para abordar estos problemas, se diseña un método de detección de barcos multicategoría ligero para imágenes de sensores remotos infrarrojos. Este método tiene como objetivo mejorar el rendimiento en tiempo real manteniendo una detección precisa de barcos. Basándose en la detección de barcos, se presenta un enfoque de detección de barcos interpretable basado en el razonamiento causal. Al integrar la descomposición de valores singulares con la arquitectura Transformer, el modelo se enfoca en características de barcos causales asociadas con etiquetas en las imágenes. Esto mejora la robustez del modelo contra información no causal, como detalles de fondo, y mejora su interpretabilidad.