压缩感知理论在最近几年兴起，由于其打破了奈奎斯特采样定理的限制，倍受各个研究领域的瞩目，在声纳成像、超分辨率图像重建、目标识别等方面都有其独到之处。当前成像系统发展的制约因素就是采样成本，而按照压缩感知理论采集数据，大大减少了采样样本的数量，进而降低了采样成本，具有十分广泛的应用价值。首先，讨论了压缩感知理论及其在声纳成像中的重要应用，介绍了压缩感知理论的基本框架，简述了它的数学模型，分析了其在成像技术中所占的优势，和将其引入声纳成像的必然性。文中针对声纳成像建立模型，分别采用反向投影法和压缩感知法进行计算，在理论方面进行了分析，且模拟了声纳成像，就采样数量、重构时间、图像质量和复杂度四个方面进行了比较。其次，针对声纳图像分辨率不够高的问题，将压缩感知理论应用于声纳图像的超分辨率重建。简要介绍了超分辨率重建的基本原理，讨论了把压缩感知理论用于声纳成像超分辨率重建中的全局优化、训练库、特征表示等问题。选取了结构相似度、结构内容、空间频率，作为重建后图像的客观质量评价指标，在实验中采用了双三次插值法、邻域嵌入法、迭代反向投影法等，与压缩感知方法的结果进行了对比和分析。还对实验中各个参数的影响进行了讨论与分析。最后将压缩感知理论应用于声纳图像中目标的识别。背景训练样本和目标训练样本分别构成了背景库和目标库的元素，具体指出了背景库和训练库的构造方法，两者用于测试图像中目标和背景的筛选，并与常用的目标识别算法进行了比较。