声纳图像的识别和超分辨率重建是未来船舶与海洋工程的两项关键技术，其发展无论是在民用上或是在军事上都有重要意义。近年来，稀疏表示方法受到研究人员的追捧，已经应用到图像压缩、图像去噪和图像复原等诸多领域。本文结合水下的复杂环境和声纳图像的自身特点，研究了基于稀疏表示的声纳图像识别及超分辨率重建方法。主要研究内容如下：综述了国内外声纳图像识别、超分辨重建以及稀疏表示方法的发展现状，将稀疏表示方法引入到了声纳图像识别和超分辨率重建中。研究了稀疏表示方法中压缩传感的三个重要组成部分：稀疏基、观测矩阵和重构算法。声纳图像含有大量噪声，在声纳图像的预处理中，选择合适的去噪方法，去除声纳图像的噪声，并对声纳图像进行规范化处理。考虑到前视声纳图像中目标局部特征的重要性，引入了非负矩阵分解方法（Non-negative Matrix Factorization，NMF）。在压缩传感方法中，为了减小测量矩阵与稀疏基矩阵的相关性以确保重建的精确，对NMF进行改进，将改进后的NMF与稀疏表示的分类方法相结合构成压缩传感识别方法，该方法具有较好的识别效果。前视声纳图像中常会受到气泡、水泡和遮挡物等影响，使得识别效果迅速下降。稀疏表示方法可以通过添加闭塞字典来有效去除闭塞部分，但特征提取后的闭塞字典的原子数量巨大，使得识别时间增长。针对上述问题，通过字典学习的方法，设计出新的闭塞字典，大大减少了字典中的原子数量，提高了声纳图像识别的实时性，且与原闭塞字典方法的识别率相当。针对侧扫声纳图像中含有重要纹理信息，而单一灰度信息不能表达纹理的问题，引入了灰度-梯度共生矩阵特征提取方法，比较了Roberts和Sobel两种算子求解梯度的效果。将灰度-梯度共生矩阵提取的纹理数字特征替代灰度信息特征构成稀疏基矩阵进行稀疏表示的识别，取得了很好的识别效果，且具有旋转不变的性质。对于声纳图像来说，噪声对其影响很大，图像的光滑成分的表示不容忽视，将声纳图像分为光滑、边缘和纹理三种成分，分别利用离散平稳小波基、Contourlet基和Gabor基构成字典稀疏表示这三种成分，并构造出基于多重稀疏表示的多帧声纳图像超分辨重建模型。多帧的声纳图像有利于声纳图像中信息的补充，针对该多帧模型对基追踪（BasisPursuit Denoising，BPDN）重构算法进行了扩展。该方法取得了很好的超分辨重建效果，并具有鲁棒性。