随着我国科技快速发展,对海洋开发与探索会越来越多。水下无人系统在其中扮演的角色至关重要,而水下目标检测则是水下无人系统探测海洋的关键一步。因为LOFAR谱图具有稳定性同时含有丰富的声源信息,所以LOAFR谱图被广泛应用于被动声呐信号处理领域。LOFAR谱图是声能在时间和频率两个维度上的分布,每一个时频点的强度就表示物体运动的状态。在谱线提取的过程中,背景噪声是影响谱线检测的关键。因此本文研究谱线检测方法目的是为了提高处于低信噪比下LOFAR谱线检测准确率,为无人系统自主检测水下目标提供技术支撑。在本文中分为两部分内容进行详细介绍,第一部分内容是是研究传统算法对谱线进行检测,第二部分研究神经网络对谱线检测。（1）谱线质量会影响谱线检测,在LOFAR谱图中生成中引入对数函数可以使得LOFAR谱图中强弱谱线在一定范围类显示比较明显。然后介绍检测线谱的三种传统算法。边缘检测算法利用线谱图像梯度的特性,根据计算图像像素点梯度值的大小,通过找到梯度值较大的点并根据时刻状态标记,然后将它们依次连接就获得LOFAR谱图中谱线。隐马尔科夫模型（hidden Markov model,HMM）则是通过给出观测序列概率,把谱线频率看成状态序列从而对其进行估计。然后对得到的频率值进行功率普积分得到LOFAR谱图。主动轮廓能量最小化模型（contour energy minimization,CEM）通过求解函数方程,找到能量达到最小时的位置,从而求出谱线位置。通过对多普勒频率下LOFAR谱图进行实验仿真,在信噪比较高时三种算法都有着不错的表现。低信噪比条件下HMM和CEM检测效果要优于边缘检测算法,但是对低信噪比下且频率随机变化的LOFAR谱图检测准确率都不高。（2）针对上面的问题。在本文的研究中使用卷积网络进行LOFAR谱线检测,网络主体结构为U-net。针对于U-net网络深度不够、恢复图像细节欠缺等问题。本文提出了一种基于U-net改进的网络结构,在这个模型中的编码模块引入了残差结构加深网络深度,提高模型的提取特征能力,同时为了解决在低信噪比下LOFAR谱线提取出现的谱线断裂、伪谱线等情况。引入了一种注意力机制方法,网络训练中会对特征进行主动关注,对于含有特征信息的特征通道会加大其权重值,从而放大特征。对于不含特征信息的通道,会减小其权重,从而抑制无关特征,提升网络的特征表示能力。除此之外在图像恢复部分采用依赖数据的DUpsamplings上采样方法。该上采样方法利用了分割标签空间中的冗余能力,能从相对粗糙的卷积网络输出中准确的恢复预测像素,通过编码器生成的粗糙特征获得精确的分割结果。通过实验仿真和海试数据,可以看出本文的模型虽然增加了深度,但是在网络损失误差和收敛时间上好于U-net。同时在低信噪比下LOFAR谱线的检测准确率和召回率要优于对比算法。因此,本文的研究对于复杂水下无人系统自主检测目标有着重要的意义。