水下目标检测作为诸多水下作业的先决条件之一，通过区分水下多类别目标的不同个体并准确定位，为观测者对水下探测的深入研究提供保障。而声呐图像目标检测作为水下目标检测的关键任务，具有高频，高分辨力，多波束及实时性强的特点，在工业及军事等诸多领域均有着广泛的应用价值。因此面向声呐图像的目标检测任务对于水下探测具有重要意义。
　　然而传统目标检测算法无法满足声呐图像目标检测任务对处理效率、性能及智能化等方面所提出的要求。本文引入基于卷积神经网络的深度学习技术以满足高性能检测的需求。但现有的深度学习目标检测方法未考虑声呐图像自身的物理特性及缺陷，面临着两大问题：其一是声呐图像质量受噪声干扰严重，但目标检测模型缺乏噪声鲁棒性；其二是可获取的声呐图像数据稀少，且不同环境条件下获取的声呐图像物理特征具有较大差异。
　　基于上述两大问题，本文分别从模型结构改进及数据集扩充两个角度进行探究，开展了以下三方面的研究工作：
　　1、针对声呐图像目标检测任务中，现有模型在结构上的缺陷，通过分析声呐图像的噪声形成方式及特点，设计了基于对抗学习的噪声对抗网络及噪声模块。具体地，首先分析基准模型在声呐图像目标检测任务下的缺陷，其次分析了声呐图像生成过程中的噪声特性，即以海底混响作为主要外部影响，产生幅度服从瑞利分布的噪声。进而设计符合声呐图像物理特性的噪声对抗网络及噪声模块，将样本的高维特征作为输入，按照无监督方式生成噪声参数并生成符合声呐图像物理特性的噪声，利用瑞利分布对应的乘性噪声模型与原始特征相结合生成对抗样本，并作为决策项参与网络训练。实验结果表明，噪声对抗网络与噪声模块的引入有效提升了目标检测网络对声呐图像的检测准确性及噪声鲁棒性。
　　2、针对声呐图像目标检测任务中数据量不足的问题，通过分析声呐图像的成像过程，设计了基于编码-解码的多尺度生成对抗网络，以改善声呐图像样本数量稀少的现状。具体地，首先分析声呐图像的生成过程及反演模型，进而根据反演模型设计了符合声呐图像物理特性的生成对抗网络。通过在生成对抗网络中引入声呐图像的先验信息并进行编码及解码操作，结合生成网络中各层级不同尺度的特征，生成符合声呐图像特点的样本。实验表明，本文方法生成的样本在两种判别指标上高于基准方法；将生成样本引入数据集可有效提升声呐图像目标检测的准确性。
　　3、同样针对声呐图像目标检测任务中数据量不足的现状，通过分析声呐成像的反射模型，设计了基于朗伯体反射模型的声呐图像对抗攻击方法，为目标检测数据集扩充提供另外一种思路。具体地，利用朗伯体表面反射模型的特性，将原始声呐图像通过反射模型参数化为三组海底特征值的表示形式，并利用反射模型全程可微的特性，使得原始样本在梯度方向上进行变化从而生成对抗样本，进而使得卷积网络对于该样本产生误分类结果。将生成的对抗样本作为原始训练集的补充，进一步提升了目标检测任务的准确性。
　　最终本文总结了上述工作的特点及不足，归纳出有待深入探究的研究方向及问题。