随着海洋战略地位的不断提升,海洋信息处理技术备受重视,水下目标探测技术的应用也日益广泛,包括海洋防卫、沉船打捞、水下管道质量检测等领域。为了提高水下金属磁性目标的识别精度与可靠性,本文采用光图像和磁异常探测技术,以水雷、海底沉船、管道等典型的金属磁性目标为探测对象,重点研究了基于深度学习的光视觉水下金属目标识别,基于正交基函数分解的磁异常水下金属目标探测和基于光与磁多模态数据融合的水下金属识别方法。本文的主要工作如下:（1）基于光视觉的水下金属目标识别研究针对传统目标检测算法在水下环境中性能较差的问题,采用深度学习的方法进行水下目标检测研究,针对YOLOv3算法在嵌入式设备运行实时性不足的问题,设计了一种轻量网络模型YOLOv3-metal水下目标检测算法。首先,采用数据扩增和图像处理的方法进行数据增强,从而改善金属磁性目标数据集样本数量少和图像质量差的问题;其次,通过将Mobile Ne Xt轻量化网络作为YOLOv3算法骨干网络,引入改进RFB和通道注意力机制SE模块,从而增强网络特征提取能力;最后,基于嵌入式平台搭建水下金属目标检测系统。实验结果表明,改进算法保持一定的检测精度,可有效提升速度。（2）基于磁异常的水下金属目标探测研究针对磁异常探测信噪比低,容易受载体姿态变化影响的问题,设计了磁张量收缩的正交基检测磁异常和定位的模型。首先,研究正交函数空间内磁张量收缩是旋转不变量,从而通过增加梯度仪基线来提高信噪比;其次,改进特征时间法,用以更精确估计运动平台与目标轨迹之间的最接近距离CPA;最后,提出了三角形结构的双梯度仪方案,从而使模型不需要多次经过目标区域,能够在单一轨道上定位目标。实验结果表明,该方法去噪效果好,具有旋转不变性,在低信噪比环境下表现良好。（3）基于光与磁多模态数据融合方法研究针对DS证据理论在决策级融合时存在证据冲突的问题,提出了一种改进的DS证据理论合成算法。首先,深入研究与分析了DS证据理论的不足,并分析产生冲突的原因;其次,提出了基于新冲突系数与DS组合的方法,将自冲突系数与互冲突系数进行加权求和作为新的全局冲突系数。最后,使用改进DS证据对光与磁的数据结果进行决策级融合实验对比。实验结果表明,改进算法有效提高了水下金属磁性目标探测与识别的准确率。