磁探测是利用磁目标在地磁场中生成感应磁场进而改变原分布的现象,来达到测量磁目标的原理。铁磁目标在地磁场中也会改变原电磁分布,这种现象称为磁异常。磁异常作为一种基本电磁现象,其包含着待测目标的重要信息,因此在各种磁探测应用背景都有着重要的意义。实际的目标信号常常淹没在不同的环境磁噪声中难以识别,本文主要研究的就是微弱磁异常信号的检测方法。首先,本文将对目标信号建模,推导磁异常信号在测量坐标系上的标量信号表示。从特征降维的角度,介绍磁异常信号的磁偶极模型的标准正交基(OBF)分解。接着,对不同目标信号样式进行主成分分析(PCA)和提取。接下来,对目标信号和噪声进行时频分析,对比混合信号与纯噪声的样本时频图,选择样本区分度最大的时频分布作为后续算法的输入样本。其次,文章将从特征降维的角度来分析相关性匹配检测算法,将未知信号与简化后的目标特征做相关性匹配,再以一定的阈值来判决信号。本文处理的地磁噪声一般都是有色噪声,因此采用基于自回归模型的白化滤波处理。接下来对混合信号以及纯磁噪声分别做OBF相关性检测。PCA和线性判别分析(LDA)分别从样本间距和类别间距的角度将特征大大地简化,文章将对比二者在混合信号以及纯磁噪声之间的区分度。然后,本文提出将原磁探测问题转化成图像分类问题,把原信号通过时频变换转化为二维的图像信号,拟合实际测量环境下的数据分布,并生成正负样本,从最大化样本间区分度的角度出发,使用卷积神经网络(CNN)分类来达到磁异常目标探测的目的。然后针对磁异常探测的应用背景,阐述了该目标检测系统模型的关键参数、训练和测试流程。最后,文章将讨论基于CNN的磁异常检测的实验设计。分析包含不同来源测量信号的训练集对模型的影响。接着对网络结构进行设计,分析网络针对待测磁信号时频图的感受野,以及模型时间和空间复杂度,给出优化网络。接着对模型训练情况进行分析,优化网络和样本结构。最后对该模型与相关性检测方法进行实测及分析,验证学习检测算法(CNN)在微弱磁异常的检测上相对于相关性算法的优越性。最终完成基于CNN的磁异常检测的具体实现。