随着声纳技术的发展和成像声纳的出现，声纳图像在海洋开发领域的应用日益广泛，利用声纳图像进行目标识别己经成为数字图像处理领域的一个重要课题。本文基于形状特征和纹理特征对水下目标识别技术，进行了深入研究，研究内容及成果如下： (1)针对水下鱼雷、水雷、潜水艇的特点，提取图像形状特征，包括NMI特征、不变矩和相对矩，这三种特征的共同特点是具有旋转不变性、尺度不变性和位移不变性，适合水下目标识别。 (2)针对传统直方图缺乏对图像空间信息描述的缺点，结合声纳图像的特点，提出了一种改进的直方图方法，将主要面积的圆度信息引入到直方图中，把图像的灰度信息、空间信息和形状信息有机的结合起来，从而降低了传统直方图对灰度信息的绝对依赖，提高了声纳图像的识别率。 (3)对声纳图像进行小波域分解，提取图像的纹理特征。选取图像处理中几种典型的小波基函数进行比较分析，讨论不同小波基函数对声图像识别率的影响。根据小波系数移变的特点，分别采用均值、方差、熵作为统计量提取纹理特征。 (4)针对传统小波变换计算繁杂，所需内存空间较大的问题，通过提升结构构造了Haar小波，并结合声纳图像的特点提出了不同于传统塔式小波分解的提升小波分解方法。通过分类识别实验表明，将提升Haar小波变换应用在声纳图像识别上，不论在识别率还是识别时间上均优于传统小波。 (5)针对分形维数不能反映图像的空间信息的问题，并结合声纳图像的特点，将提升小波变换同分形理论相结合，利用小波分解的多分辨率特点和分形维数的多尺度特性，提高图像的识别率。采用BP神经网络对不同信噪比的声纳图像进行分类识别。实验结果表明了该算法的有效性。 (6)利用具有二阶收敛效应的Levenberg-Marquardt(L-M)算法优化BP的权值修正量，构造了快速收敛的LMBP学习算法，并将其应用在声纳图像识别系统中。通过与标准BP算法和几种常用改进型BP神经网络以及径向基函数网络比较，验证了用LMBP神经网络作为声纳图像识别系统中的分类器，能够提高图像的识别率，加快网络的收敛速度并具有较好的抗噪声性能。