水声信号的分类识别技术一直是水声信号处理领域中的重要研究内容。水声信号的分类识别技术主要是沿着两个方向不断发展进步的，一是特征提取方法的研究；二是模式识别算法的研究即分类器的设计。特征提取方法研究的主要任务是研究和选取能表现信号类别的，有效而且稳定可靠的特征矢量；而分类器设计的主要任务是研究各种分类模型的结构和算法，从而对训练和识别中提取的特征向量做类别匹配，以完成准确的类别划分的目的。本文的研究对象是船舶和鲸类水下声信号，研究的重点是特征提取方法及分类器设计。本文对希尔伯特-黄变换理论和小波分析理论及其在船舶和鲸类水下声信号特征提取中的应用进行了较深入的研究；对语音信号处理中的说话人识别技术进行了深入的研究并将其应用到船舶和鲸类水下声信号的分类识别中。论文的主要内容包括：1、论文首先详细的介绍了水声信号分类识别问题的相关理论知识，说明了分类识别系统的各个组成部分及其各自的作用。重点分析了现有的特征提取算法及各自的优缺点，以及分类器对识别性能的影响。2、基于小波分析理论在非平稳信号分析和处理中的优势，对提取小波域的信号特征方法进行研究。利用小波分析理论中多分辨分析的概念和小波包分解研究了信号不同频段内能量特征的提取算法，给出了特征向量的构造方法，讨论分析了小波基函数和小波包分解层数的变化对分类识别性能的影响。3、由于希尔伯特-黄变换（HHT）方法自身独特的特点及其在信号处理各个领域的广泛应用，对希尔伯特-黄变换的思想及其算法进行了研究，将其应用到船舶和鲸类水下声的特征提取中，提取了船舶和鲸类声信号的希尔伯特谱特征。利用神经网络分类器对提取的希尔伯特谱特征进行分类。分类结果表明该方法具有较好的分类识别效果，可以应用于船舶和鲸类水下声的分类识别中。4、探索将说话人识别技术应用到船舶和鲸类水下声信号的分类识别中。声呐员对监听到的各种水下声信号的识别机理和人对听到的各种声音信号的识别理论上是相同的。本文将在语音信号识别中取得满意效果的基于人耳听觉特性的的美尔倒谱系数（MFCC）应用于船舶和鲸类水下声信号的特征提取中，提取了船舶和鲸类声信号的MFCC语音特征，通过高斯混合模型对提取的语音特征进行训练和识别。讨论分析了MFCC维数的变化和不同MFCC特征的组合对识别性能的影响。5、研究了本文用到的两种识别模型，人工神经网络（ANN）和高斯混合模型（GMM）。详细分析了这两种识别模型各自的特点、理论基础和算法实现，包括各种参数的选择和设定，并将其应用到船舶和鲸类声信号的分类识别中，实现了有效的特征层识别。6、通过对实验数据的处理和分类结果的分析进一步验证了文中提出的特征提取方法和识别模型的有效性以及对船舶和鲸类声信号的适用性；并针对在实际应用中遇到的问题，包括特征向量维数的变化及特征向量的不同组合和识别模型各种参数的选取与设定等问题进行了分析研究，对各种特征提取方法的识别结果做了比较和分析。本文以船舶和鲸类水下声信号为研究对象，以提高水声信号被动识别能力为研究目标，研究了船舶和鲸类水下声信号的特征提取算法和分类识别模型。研究成果可望应用于水下被动声信号的分类识别领域，包括船舶和鲸类水下声信号的分析，特征提取、分类识别及其它相关的应用领域。