随着成像声纳系统的不断发展和完善,以及水下智能机器人的出现,开展基于水下声纳的自主目标检测与识别技术的研究,在军事和民用领域都具有重要的意义和价值。本论文在通过对不同的目标检测和分割算法进行大量实验的基础上,对水下目标检测识别系统中的图像数据预处理、声纳图像分割和声纳图像的特征提取技术进行了研究和实验分析。并在此基础上开发出了相应的实时目标检测方法。主要工作如下:首先,通过在声纳图像的预处理中对声纳图像特征的分析,得知声纳图像普遍噪声污染严重。基于此,对水下声纳图像的空间域去噪和频率域去噪方法进行了分析与实验。着重将基于多分辨率的高斯金字塔滤波方法应用于声纳图像的预处理中,取得了一定的效果。其次,针对声纳图像的特点,设计了一种新的基于MRF的非监督声纳图像分割方法。在声纳图像的海底混响区服从Gamma分布的情况下,通过一种快速有效的高斯金字塔模型对声纳图像进行预处理,使得处理后的声纳图像的海底混响区服从高斯分布。在此基础上构造了一个自动确定声纳图像分类个数的模型。并通过该模型结合一种局部能量极值化的方法对马尔科夫模型的初始化参数进行估计,从而形成一种完全自动的声纳图像分割模型。然后利用该模型对声纳图像数据进行了分割实验,并和其他典型的分割算法进行了比较,验证了该方法的有效性及快速性。再次,在分析声纳图像的纹理特征、形状特征和声纳图像特征提取技术的基础之上,着重对一种新的基于类Haar特征的声纳图像特征提取技术进行了实验分析与介绍。实验结果表明,采用该方法提取声纳图像特征的效果较为明显。最后,基于以上技术的研究,针对Klein5000侧扫声纳和BlueView前视声纳,分别设计出了与之适应的实时目标检测方法。此外,对基于类Haar特征的目标检测方法也进行了相应地研究。针对BlueView前视声纳目标检测方法中同一检测算法不能适用于所有帧的目标,而使得某些帧的图像目标有漏检的情况,本文采用了基于卡尔曼预测相关联的目标检测技术,即,将先前的目标检测结果和基于卡尔曼的目标预测结果进行综合,得到最终的检测结果。实验表明,该方法效果较为理想。