依赖声呐设备的水下目标分类识别技术,在海洋资源勘探、水下鱼类识别、水下打捞等环境中扮演着越来越重要的角色。水下目标识别的一般步骤为原始声呐图像获取,图像预处理,图像特征提取,目标分类识别四个步骤。在声呐图像目标识别的整个过程中,每一个环节都有着决定性作用。其中,特征提取环节尤为重要,特征的不变性,即位移、尺度和旋转不变性越好,以及抗噪性能越强,其分类识别能力也越高。基于小波不变矩特征提取算法的工作已经有了很多,但是前人基本上都是将其应用在光学图像。在声学图像层面,尤其是水下目标识别这一领域研究尚少。针对本试验特定的扇贝和海星目标,考虑到其声呐图像轮廓模糊、噪点多的缺陷,将Hu矩、Zernike矩和小波不变矩应用在该类图像上,主要内容和成果包括:(1)详细介绍了Hu矩、Zernike矩和小波不变矩特征的基本概念和原理,对算法的位移、尺度和旋转不变性进行了推导与证明。(2)声呐图像矩特征提取试验。以扇贝为研究对象,对原始声呐图像分别作位移、尺度和旋转变换,并加入不同程度的高斯噪声。使用MATLAB进行编程提取各种矩算法下的特征值,分析对比不同算法下特征的不变性及其抗噪性能。(3)基于BP神经网络的海星和扇贝分类识别试验。采集3000幅原始声呐图像,对其做预处理和特征提取,分别将三种不变矩算法提取的特征值进行特征选择以后,输入神经网络分类器,通过识别效果来评判三种不变矩算法的性能。本文的创新点总结如下:(1)对于本文的扇贝和海星声呐图像,在传统的全局矩Hu矩和Zernike矩基础上,提出了兼具局部特征和抗噪性能的小波不变矩,并通过试验数值验证了小波不变矩强大的适应性能。(2)为了取得更好的识别结果,提出了一种基于特征融合和特征降维的方法,试验结果表明,该方法提高了整体的识别率,同时降低了计算时间。