磁异常检测是地球物理中的一种很重要方法,与传统检测的方式相比,磁梯度张量检测更具有优势,近年来已渐渐成为磁异常检测技术的研究热点。目前磁梯度张量检测技术已经广泛应用在大型的水下及地下的磁异常目标探测中,但在探测小型磁性目标例如铁磁性管道及未爆炸弹药的形状与姿态的精确度上是不够的。并且在对磁目标解释过程中需要根据不同的形状和姿态信息选择合适的定位方法,如果对目标的形状选择错误,会直接造成定位精度下降。近年来,机器学习方法被应用于磁异常识别,降低了对信号精度的依赖,避免了解释磁数据的大量计算推导过程。综上所述,本文针对地下小型磁性目标的形状识别问题,研究了一套基于四个矢量磁传感器搭建的磁梯度张量系统的磁目标识别算法。本文首先简要介绍了磁梯度张量的基本原理,通过仿真对比了多种不同结构的磁梯度张量系统,并在此结论基础之上设计以四个三轴正交的磁传感器为主的磁梯度张量测量系统,测量磁目标产生的扰动信号。接着,对单个磁传感器的测量误差进行分析,建立了单磁传感器的系统误差数学模型,并使用线性神经网络方法对其校正。最后,利用向上延拓方法对磁异常数据进行处理。分析磁异常数据并对其进行特征提取。基于智能学习算法对检测特征进行识别可分为特征降维和模式识别两个过程。首先采用主成分分析（Principal Component Analysis,PCA）和稳定性竞争自适应重加权（Stability Competitive Adaptive Reweighted Sampling,SCARS）对原始磁异常数据进行降维处理,本文提出了辨识极限学习机（Distinguish Extreme Learning Machine,DELM）方法并引入概率神经网络（Probabilistic Neural Network,PNN）方法对降维特征进行智能识别,最终,PCA-DELM获得了36.67%的准确率,PCA-PNN为42.67%,SCARS-DELM为93.33%,SCARS-PNN为89.33%。本文同时引入了深度学习理论,借助于卷积和池化操作,实现原始磁异常数据特征的深度挖掘,利用全连接层实现决策分类。为了减少卷积过程中的计算量和参数量,引入了超轻量级子空间注意力模块（Ultra-Lightweight Subspace Attention Mechanism,ULSAM）来实现注意力的通道卷积,然后设计可对原始特征进行深度挖掘并高精度识别的ULSAM-CNN框架结构,最终获得在深度学习理论下97.33%的识别结果。