声纳是水下探测的重要手段，而侧扫声纳是水下探测与测绘的常用设备。合成孔径声纳是一种新型侧扫声纳，其方位理论分辨率不随目标距离的增加而降低，因此在水底测绘和目标识别等方面具有广泛的用途。高频合成孔径声纳被广泛应用于水下工程（护岸工程、水下管线）的探查、沉物打捞、水下考古等方面，而低频合成孔径声纳具有对掩埋物体进行较高分辨率成像的能力。　　随着合成孔径声纳设备的不断发展，对合成孔径声纳输出图像进行分析和处理的需求也在增加。特征提取与分析是图像处理的基础与重要组成部分。受相干斑等各方面因素的影响，合成孔径声纳图像与其他图像尤其是自然光学图像特征之间存在明显差异。本课题对合成孔径声纳图像的特征进行了研究，并通过提升合成孔径声纳图像特征分析算法的性能，改善后续声纳图像处理，为当前的合成孔径声纳图像后期实际应用，诸如声图分割、目标识别、图像拼接等提供改善的方法。　　相干斑乘性噪声等因素影响了合成孔径声纳图像的信噪比，因此合成孔径声纳图像中的特征分析以统计方法实现边缘和区域检测为主。在对合成孔径声纳成像原理、常用图像特征分析理论进行了学习综合后，本课题开展了若干研究工作:　　1.研究合成孔径声纳的成像原理和图像特性，重点对SAS声图的相干斑进行了分析。　　2.提出了基于瑞利混合模型的目标分割方法。该方法利用Graph cut求解马尔科夫随机场问题，利用瑞利混合模型描述声图特征，提高了目标分割的准确率。　　3.研究了基于SVM的主动学习底质纹理分类。测试了灰度共生矩阵、局部二值模式(LBP)等纹理描述方法。　　4.提出了基于SIFT算子描述声图特征、利用RANSAC进行特征精确匹配的声图拼接方法。　　5.提出了基于场景理解和起伏特征的声图配准和拼接方法。方法利用对数线性模型和马尔科夫随机场建模，使用graph cut算法将声图分割为高光和阴影等部分，并以此估计地形信息，使用遗传算法进行配准、拼接。　　本课题的主要方法均通过了合成孔径声纳图像实测数据的验证。