水声目标识别是开展海底多项工作的前提,是当下海洋探测研究的一个重点方向。水下发声源发出的声音信号在复杂的海洋环境中进行传播,导致信号接收端采集到的信号强度变得很弱,同时在传播过程中会被高强度的海洋环境噪声污染,人们很难采集到大量的高质量水声信号数据。因此如何在训练样本数量不足的情况下高效的进行检测识别是水声目标识别任务的核心问题。现有的水声目标识别方法可以分为基于传统机器学习的方法和基于深度学习的方法。基于传统机器学习的方法在特征提取过程中,受限于浅层特征的片面表征,导致精度无法得到大的提升。而基于深度学习的方法能够通过多层非线性变换层提取深度特征,但提升分类准确率需要大量训练样本拟合网络。针对于小样本下的水声分类识别问题,本文提出了基于知识嵌入的立体语义水声识别方法。研究内容如下:1.本方法根据水声信号的特性,设计并提取了五类共十一个水声基元特征。这些特征既包含了信号层级的物理特征,又包含了数据层级的深度学习特征,从音调、音色、响度、规律性等方面表征数据特性,尽可能地减少在特征提取过程中数据丢失的信息;2.为了避免出现直接对特征进行拼接后造成的特征冗余情况,根据这些声音特征所表征的现实物理含义以及专家的先验知识,构建了能够表征声音特征之间关联性的初定知识图谱,通过知识图谱嵌入了语义层级的知识——节点连接关系,并借助基于图卷积的立体语义网络将知识嵌入到网络学习中;3.针对所设计初定知识图谱知识表征不全的问题,以及立体语义网络无法有效嵌入时序信息的缺陷,设计了基元关联性判别网络模块以及长短时序信息嵌入图网络模块,分别用以解决知识图谱的更新优化问题和数据时序信息特征嵌入问题,实现知识更新与迭代。该方法有效解决了海洋环境下声音数据信号弱、噪声强度大而导致的样本少、分类识别准确率低的难题。通过在仿真水声数据集上实验,验证了本文所提出的立体语义网络在面对小样本水声分类识别问题时的有效性,识别准确率相比于传统的方法准确率提升明显。此外,在自然环境声音的小样本分类识别时,所提出的立体语义网络与其他深度学习算法相比也同样展现出了优良的性能。同时,在高强度噪声以及训练样本数持续下降情况下,本文所提的立体语义网络仍然具备强鲁棒性。