随着海洋资源的开发,海洋探测技术的发展以及海洋强国战略的提出,对于水下声信号目标识别领域的研究也在不断地深入。水下声信号目标识别的任务是以水下声信号数据为基础,通过预处理,特征提取和分类识别等流程快速准确的识别出水下声信号目标的身份。无论在军事领域还是海洋探测领域,水下声信号目标识别都具有重要的理论价值和实际应用意义。由于水下环境错综复杂,单一的特征难以准确描述水下声信号目标的全部特征,为了能较好的提取水下声信号特征,提出一种新的构建水下声信号多维特征向量的方法,即分别从Gammatone频率倒谱域系数(Gammatone Filter Cepstral Coefficient,GFCC),改进的经验模态分解方法(Modified Empirical Mode Decomposition,MEMD)分解得到的固有模态函数在希尔伯特空间中的瞬时能量和瞬时频率三个维度进行特征向量的构建。在此基础上,由于选取多个维度的特征,直接采用深度神经网络(Deep Neural Network,DNN)会存在冗余特征导致一定的抑制作用,并且会使网络模型过大浪费计算资源,提出一种基于高斯混合模型的深度神经网络(Modified Deep Neural Network,MDNN),使用高斯混合模型(Gaussian Mixture Model,GMM)对多维特征向量进行建模,将GMM的倒数第二层作为DNN的输入,这样可以有效解决多维特征向量对DNN带来冗余特征的问题。通过对比其他方法,本文研究的基于多维特征的深度学习水下声信号目标识别方法(A method with combination of multi-dimensional fusion features and modified Deep Neural Network,MFF-MDNN)具有较好的识别效果和一定的适应性。最后,利用提出的基于关联混沌加密和3-LSB(combination of associated chaotic encryption and 3-LSB,3-ACL)的信息隐藏方法与MFF-MDNN一同应用在身份认证领域,同时选取4个不同的指标证明提出的3-ACL方法不仅具有较好的安全性和一定的抵御攻击的能力,也进一步证明本文研究的MFF-MDNN具有较好的应用能力。