目前水下目标识别的应用中,主要分为两个方向,一个方向是基于被动探测,对水下声音（噪声）进行特征提取,再进行水下目标噪声的识别;另一个方向是利用成像声纳,采集到水下目标的水声图像后,对其进行图像处理以及特征提取,再使用分类器实现水下目标的识别。然而被动探测的方法往往会因为信号微弱而导致识别效果不佳,主动探测方法往往可以获得较高的回波强度。人工提取水声图像的特征或是提取水下目标声信号特征,会不可避免地丢失一部分关键信息。利用深度学习方法对原始声纳回波信息进行水下目标的识别,这在一定程度上避免了人工特征提取丢失信息的问题。本文的识别目标主要针对水下主动声纳探测回波,使用时间序列形式样本与时频图像作为数据集,针对深度学习方法在水下目标识别领域的应用进行探索性研究。首先对深度学习建模方法与目标函数的优化问题进行了分析,主要包括损失函数的计算与比较、非线性激活函数的对比与选择、参数优化方法的分析与改进和部分正则化方法的列举与应用等内容。其次讨论了多层感知器、卷积神经网络、循环神经网络在目标识别领域的计算原理、网络结构与建模方法。本文在前人的研究基础上把具有瓶颈特征的多层感知器单独作为一种多层感知器结构,并与“竖直型”、“线性变化型”、“指数变化型”的网络结构一同列为多层感知器的四种网络结构。对于深度学习的维度灾难问题,本文将基于自动编码器和受限玻尔兹曼机的无监督神经网络降维方法与深度学习目标识别的任务相结合,试图提供一种采用降维方法的水下目标识别的新思路。最后,本文从神经网络收敛误差、F₁值、ROC、AUC、混淆矩阵等方面评价实验中各个模型的表现,从十六种多层感知器中选择隐层结构为100-50-100的深度学习模型与结合自动编码器将原始特征向量降至三维的多层感知器模型、结合受限玻尔兹曼机将原始特征向量降至五维的多层感知器模型、以及无池化层的卷积核分布为12-24-24的卷积神经网络模型进行识别效果的对比。通过以上的讨论及研究分析,本文证实了卷积核分布为12-24-24的卷积神经网络模型更适用于水下目标识别任务。它对水下蛙人、空目标、氧气瓶的召回率分别达到了100%,92%和63%,AUC分别为1.000,0.9374和0.9409,对于水下威胁目标具有较好的识别效果。