海洋环境的复杂多变、环境噪声的广泛存在、越来越弱的水下目标信号特征,使得水下目标识别一直是一个颇具挑战的问题。传统方法多基于专家知识,采取手动方法来提取特征,然后进行分类识别。随着传感器和智能信息技术的迅猛发展,这些方法已逐渐不能适应水下探测信息处理的智能化发展要求。近年来在商业领域获得很大成功的深度学习方法为水下目标识别的智能化提供了新的技术途径。本文以船舶类辐射噪声信号和鲸类叫声信号两类典型的水声信号为目标进行分类识别研究。第一,采用多种传统方法对水声信号进行特征提取,并利用支持向量机、误差反向传播神经网络以及带权重的K近邻算法这三种经典机器学习方法对目标进行了分类识别;第二,构建了基于深度学习方法的水声信号分类识别模型,分别采用了无监督学习方式的深度置信网络和有监督学习的卷积神经网络对水声信号进行抽象特征提取和分类识别研究;第三,利用迁移学习方法对卷积神经网络进行训练,并基于卷积神经网络所提取的抽象特征对鲸鱼样本进行了相似性分析,同时绘制了鲸鱼系统发生树,检验了深度学习模型所提取的“抽象特征”对样本特征的表达能力。研究发现,本文所采取的深度学习方法能够有效提取水下声信号的“抽象特征”,相比于传统的分类识别方法,在分类智能化及识别准确率方面均有明显提高。