随着声纳系统的不断完善以及水下智能机器人的出现,水下目标的识别与分类领域的研究也在不断深入。在民用和军事领域水下声纳图像的分类均得到了广泛的应用,在军事上有助于发现潜艇,失事飞机等。在民用上有助于发现鱼群,检测坝底的完好程度等。传统的水下目标分类方法主要是用特征提取的方法来进行分类,但这类方法往往存在应用局限性较高的缺点。本文通过对声纳成像原理以及声纳图像的特点进行分析,采用深度学习以及迁移学习的方法对声纳图像进行分类,并根据深度学习需要大量样本的特性,将迁移学习方法与深度神经网络相结合,同时根据迁移学习方法中,领域距离越近越有利于知识的迁移这一基本原则,采用了图形风格迁移以及生成对抗网络的方法生成与侧扫声呐图像相似的仿侧扫声呐图像,作为源领域,随后再使用少量真实样本进行迁移,从而达到高准确率的侧扫声呐图像目标分类的目的。论文的具体工作如下:(1)对传统的目标分类方法进行了研究。首先对声纳图像的特点进行了分析,得知声纳图像普遍有清晰度差,分辨率低,噪声严重的问题,传统的水下声纳图像分类方法主要是针对声纳图像的特点,由常规光学图像方法改进而来,主要包括预处理,特征提取,特征分类等几个步骤,对声纳图像的去噪以及灰度校正风发进行了实验及分析,进一步提升了图像的质量。分别采用了高斯马尔科夫随机场以及水平集的方法进行了图像的特征提取,通过提取的特征进而对图像进行分类。(2)针对声纳图像的特点以及传统方法的缺点,采用了深度学习的方法对图像的特征进行自动提取,对经典的卷积神经网络进行分析及对比,同时结合了迁移学习的方法,分析了领域间距离对迁移效率的影响,提出了基于缩小样本领域距离的迁移学习方法。(3)针对源领域样本仿声呐化处理,提出一种融合显著性检测及风格迁移网络的转换方法。方法通过风格迁移网络将常规的光学图像转换成侧扫声纳图像风格,并针对转换效果较差的图像进行了处理,主要采用了显著性检测算法,将该算法与风格迁移方法相融合,解决了由于背景亮度过高导致的风格迁移效果差的问题,将通过风格迁移方法生成的仿声纳图像作为源领域样本训练分类网络,在此基础上再使用迁移学习方法将其迁移到真实侧扫声呐图像样本分类任务中,最后给出了实验分析结论。(4)同时,针对源领域样本仿声呐化处理,还提出一种基于改进WGAN的仿真侧扫声呐图像生成方法,不依赖于常规光学图像,直接从真实侧扫声呐图像学习数据中像素分布,从而进行图像的生成,由于侧扫声呐图像数据集样本数量稀少,数据分布可能存在较大偏差,因而直接应用WGAN时,可能存在因参数设置不当导致的生成图像真实性差的问题,本文提出将梯度正则项融入到WGAN的损失函数中,自动的进行参数范围的确定,保证图像生成质量。通过迁移实验,证明本方法有效性。