舰船声呐信号识别是水声装备和武器系统智能化的关键技术之一,具有重要的研究意义。随着海上作战智能化、信息化的发展,战场环境也越来越复杂,实际的舰船声呐信号识别系统往往面临着信噪比较低、特征表征能力不足、样本数量少和识别种类繁多的问题,本文从实际问题出发,对以下方面进行了研究。对于信号的预处理方法进行了研究,实际采集的被动声呐信号样本会包含大量的海洋噪声,因此需要使用降噪算法对噪声进行抑制。根据舰船声呐信号的来源和成分,本文对奇异值比谱降噪法和小波阈值降噪法进行了研究,奇异值比谱降噪法可以很好地保留信号中的周期成分,小波阈值降噪法可以对信号进行多分辨率分析,本文根据两种降噪方法的特点,提出了小波变换域奇异值比谱降噪方法,实验表明该方法可以有效地对信号的噪声进行抑制。在特征提取方法方面,本文对听觉感知相关的特征提取方法进行了研究,实现了舰船声呐信号的梅尔倒谱系数、Gammatone倒谱系数的提取,针对倒谱系数只能表达平均化的频谱特征,无法表达频谱相对信息的问题,本文提出使用频谱对比度特征和倒谱系数特征进行串联,提高特征的表达能力。在分类器的设计上,本文将深度学习理论应用到舰船声呐信号识别的研究中,对传统的卷积神经网络和循环神经网络进行了分析和研究。针对舰船声呐信号样本难以获取、舰船种类繁多的问题,分析了使用相似度判别代替传统阈值分类的可行性。本文构建样本对作为孪生网络的输入,使用孪生网络进行相似度判别,根据样本间的相似度决定识别结果。由于扩大了样本集的规模并且弱化了类别标签,孪生网络在少样本和多类别的情况下也可以具有较高的识别率。使用实际的舰船声呐信号作为数据集,将本文的方法和传统的阈值分类方法对比,实验结果表明孪生网络的识别效果更好。