目标识别技术是现代水声技术的一个重要组成部分，在水声对抗过程中，无论是对特定目标的攻击或者是对水下兵器的预警，均需要以准确的目标识别作为前提。目标螺旋桨旋转引起的噪声表现为强线谱，这使得从中取得目标的轴频与叶片数等信息成为可能。但由于海洋环境噪声在低频段通常较强，故采用DEMON谱分析方法从目标辐射噪声的高频段解调得到目标线谱的信息，进而对目标轴频进行提取并对目标进行识别。同时，舰船辐射噪声的连续谱部分也会携带一定的目标信息。在对其进行希尔伯特-黄变换后，其各阶固有模态函数瞬时频率的统计特性会呈现出因目标而异的特性。根据舰船辐射噪声的这一特点，可以对舰船目标进行分类识别。由于应用希尔伯特-黄变换提取到的目标特征值较多，且分布较为复杂，很难将其代入某个确定的公式并最终获得判别结果，故可以利用人工神经网络擅长对信息进行概括、联想、类比与推广的特点对其进行处理。另外，由于人工神经网络技术具有较高的鲁棒性与容错性，在处理复杂多变的水声信号方面也有着先天的优势。近些年来，DSP技术发展迅猛。DSP芯片作为一种嵌入式微处理器，具有强大的数据处理能力，同时其对网口协议的支持也可以使以其为核心的信号处理系统能够更方便的与其他设备交换信息。相较于通常情况下对算法进行研究的PC平台而言，DSP数据处理平台具有体积小，独立工作能力强，功耗低等一系列优点，更适于在实际应用中进行使用。OMAP-L138作为一款TI公司推出的浮、定点兼容DSP，具有高速与低功耗等优点，为本文对舰船目标识别算法进行硬件实现提供了很好的开发平台。本文在OMAP-L138平台上对DEMON谱分析与轴频提取算法以及基于希尔伯特-黄变换的目标特征提取算法进行了实现，并最终在硬件平台上完成了从网口获取数据的目标识别软件。最后，进行了海试试验，并应用DSP程序对海试数据进行了处理，对两种算法在硬件平台上的表现进行了测试与统计。统计结果表明，本文所采用的两个算法均能较为准确的对目标特征进行提取，并能对目标进行正确识别。同时基于DEMON谱分析的轴频提取算法可以满足系统对实时性的要求；但基于希尔伯特-黄变换的目标特征提取算法由于经验模态分解过程较为耗时，难以实时实现。