水声目标识别是利用声呐探索、研究海洋重要的技术支撑,近年来异军突起的深度学习方法凭借其卓越的识别分类性能在多个目标识别领域大放异彩,日益受到学者们的青睐与重视。然而水声环境的复杂性成为限制其性能发挥的桎梏,原因在于水声目标数据采集难度较大,一般难以获取到充足的数据用以识别网络的训练,从而限制了深度学习方法卓越分类性能的发挥。针对小样本条件下的水声目标识别,本文立足于水声目标的数据扩增,从目标的特征融合出发,对小样本条件下的典型水声目标——船舰目标的识别进行了研究与探索。首先,针对船舰目标不能被单一特征充分描述的问题,本文从船舰目标的发声原理出发,分析其声源特性并据此建立了目标的仿真信号,用以特征提取算法有效性的验证以及同真实船舰特征的比对。进一步考虑到传统拼接方法的融合特征会增加识别网络运算量的问题,设计了船舰目标的G-特征规则以规范不同的特征,并利用形态分量分析方法对目标G-特征进行稀疏化表示,通过对应分量系数之间的融合以构建船舰目标的融合特征,以克服传统融合特征数据量增大以及单一特征对目标描述不充分的问题,并为后续的数据扩增和目标识别提供数据支持。其次,考虑到生成对抗网络存在训练不稳定和模式崩溃的问题,利用集成多判别器的策略设计了多判别生成对抗网络用以船舰目标数据的扩增。为进一步的提升网络的稳定性,将原网络中的KL散度替换为Wasserstein距离,同时为减少网络的判别误差,采用软投票的策略对判别的结果进行了权重的重分配。在对组成网络的基本结构进行分析时发现,对于船舰目标特征的数据扩增,多层感知机结构的判别器较之于卷积结构在生成样本上具有更好的效果。再者,为了使目标识别网络与扩增的船舰样本数据之间更好的相适应,同时减少识别网络的训练时间,提升识别的效率。在设计识别网络时简化了网络的隐藏层结构,通过卷积层与池化层相互的交替,以及统一卷积核的使用在尽量少的网络层数下实现较好的识别效果。在对扩增数据后船舰目标的融合特征进行识别分类时,取得95.87%的识别准确率。最后,为进一步提升水声目标识别方法的易用性,通过对特征提取与特征融合算法的集成,设计了水声目标识别的软件系统GUI,利用该GUI可以完成水声信号的预处理、特征提取、特征融合的工作。同时,将训练的卷积识别网络模型部署到Jetson Tk1硬件平台上,在各类数据的测试上取得90%以上的准确率,验证了本文方法的有效性。