随着声呐技术在国防建设、海洋勘探等领域的广泛应用,水下目标识别问题逐渐成为声呐智能化进程的重要研究内容。由于水下目标数据获取困难且代价高昂,导致水下样本量稀少,很难满足目前机器学习尤其是深度学习对数据量的要求,因此研究出一套准确率高、识别速度快的小样本数水下目标识别系统具有重要的实际意义。本文基于孪生（Siamese）网络架构和深层卷积神经网络,设计了用于度量水下目标样本相似度的网络模型。本文使用实际样本和仿真的虚拟样本训练该模型,通过训练后的模型计算两个待测样本之间的相似度,进而判断两个样本是否是同一类目标,有效解决了小样本水下目标难以识别的问题。首先,本文对水下目标辐射噪声的建模和特征提取方法进行了深入研究,基于真实数据设计了7类水下目标样本用于网络模型的训练。其次,为了评估设计的网络模型的泛化能力,基于上述7类水下目标样本设计了不同多普勒频偏样本、不同信噪比和不同干扰谱线数量的样本,作为网络模型的评估数据集。最后,为了测试网络模型的识别能力,利用真实的水下目标样本,对所得网络模型进行测试。测试结果表明,当多普勒频偏、信噪比和干扰谱线数在一定范围内,本文的网络模型对测试样本的识别准确率达到了85%以上。此外,本文基于FPGA实现深层神经网络的优化和加速,综合考虑资源利用率和识别速率等限制因素,设计了嵌入式小样本水下目标识别系统。该系统有利于推动小样本水下目标识别技术的工程化应用。