随着我国海洋战略的不断实施,人们对于水下的探索不断深入。其中,由水下机器人搭载侧扫声呐的水下探测技术成为海洋探索的重要一环,并广泛用于水下地貌测绘、目标探测、管道检验等场景。由于水下场景非常复杂,生成的侧扫声呐图像具有数据量大、噪声强等特点,使用人工审阅方式对大量的侧扫声呐图像进行检测效率低下,且需要大量先验经验累积。所以,一套自动化的侧扫声呐图像目标实时检测算法是该问题的有效解决途径。为了解决水下目标实时检测中数据量大的问题,本文将目标提取的过程分为两个步骤:在进行原始数据的读取时,首先将一部分冗余数据过滤,从而大幅降低需要处理的数据量。再训练卷积神经网络模型以提取出我们感兴趣的目标物区域,数据处理的速度和精度都达到了良好的效果。由此,本文提出了以下创新性设计:其一,在侧扫声呐原始数据读取层面,提出了一种基于自适应阈值的目标区域提取算法,分析声呐原始一维数据的灰度均值、标准差、熵与目标回波强度的相关性,计算出相关阈值以进行初始的数据过滤。算法提取的数据以全部目标存在量为基准,尽可能减少冗余数据。其二,根据初始分割的完成的一维数据,改进了一种深度残差收缩网络模型,使其在训练时能够更好地削弱干扰因素的影响,以学习一维特征。该模型达到了91%的测试精度,并完成目标存在性判断,提取出目标存在的序列。其三,对于提取完成的序列,设计了序列动态合并逻辑和基于阈值的目标分割算法。在合并完成连续的目标序列后,使用自适应大小的滚动边界窗进行二维层面的目标物判断,最终分割出了目标区域存在的图像片段。最后,设计了一套侧扫声呐水下检测系统,包括水下机器人平台设计和检测系统程序设计,进行水下试验对该算法进行验证。对于2313个数据包XTF的原始文件,算法以平均每数据包约27ms的速度完成了所有分割过程,并成功提取出了目标物片段,证明了该方法的可行性。