随着科技的进步和海军现代化的需要,水下目标识别已成为当前各国研究的热点之一。水下目标识别及其相关技术对提升海军装备智能化水平至关重要,具有十分重要的研究价值和意义。在海战中为避免被敌方发现并攻击,不能长时间近距离跟踪目标并采集信息,导致收集的有关目标的数据量较少。已有的水下目标识别算法在只有少量样本数据的情况下,分类器的预测精度无法令人满意,而迁移学习可以跨域进行知识学习,有效的利用相关领域的大量数据,很好的解决了训练样本数据量少的问题。因此,本文将迁移学习引入水下目标识别工作中,在水下目标数据量有限的情况下,将源域的大量数据信息迁移到目标域中,扩大了用来训练分类器的数据量,可有效的提高分类器的性能。本文将迁移学习技术与水下目标识别技术相结合,针对水下目标识别问题中经常遇到的两种场景,提出了具体的解决方法。针对深度无监督度量域适配算法中,度量分布距离差异采用最大均值差,只考虑数据分布的一阶统计量的问题,和在数据分布差异较大时,距离度量函数对核函数的选择敏感的问题,提出了一种引入散度偏差度量和多核技术的适用于水下目标识别的深度多核度量域适配算法。该改进算法把声呐采集的声音信号通过声音成像技术转化成声谱图,将源域的大量样本数据辅助目标域训练分类器,可有效的提高分类精度。该改进算法有效解决了对数据分布考虑不充分及单核函数不一定是高斯核函数带宽的最优值的问题。针对深度半监督域适配算法中,只适配单层全连接层,不能充分利用隐藏层判别信息的问题,和利用欧氏距离度量数据点之间的距离无法克服总体变异对距离远近影响的问题,提出了一种新的面向水下目标识别的深度半监督域适配算法。通过将适配单层全连接层改为适配多层全连接层和将欧氏距离改为标准欧氏距离的方法,有效解决了在目标域带标签样本数据缺乏的情况下,已有的水下目标识别方法识别精度较低的问题。本文利用水下目标数据集,将目前主流的迁移学习算法应用于水下目标识别任务中,本文算法在水下目标识别的两个场景中,通过将多种迁移学习算法和水下目标识别算法的实验结果进行对比,验证了本文提出的两种算法在各自的场景中分别取得了最佳的识别效果。