前视成像声纳利用数字多波束技术实现远距离、高分辨率的水下成像,成为探索水下环境的重要设备之一。传统的前视成像声纳图像处理技术主要基于水下目标回波信号的时域特征或频域特征实现,然而这些特征的提取过程主要依赖人为经验和主观意识,导致特征提取技术成为水下声纳图像处理的主要技术难点。基于以上研究背景,本文提出利用卷积神经网络实现水下声纳图像处理的研究方法。本文主要工作如下:1.研究了一种基于SRMD算法实现前视声纳图像旁瓣噪声抑制的方法。该算法旨在去除前视声纳图像中的旁瓣噪声。基于卷积神经网络在图像超分辨领域得到巨大进展,本文首先基于声纳图像的成像机理重新构造模糊核,并替换原SRMD算法中生成的模糊核,然后将声纳图像、模糊核以及高斯噪声同时作为SRMD模型的输入,以实现去除前视声纳图像中的旁瓣噪声。实验结果表明,相比于原模糊核,基于声纳图像构造的模糊核能够有效地去除图像中的旁瓣噪声。2.提出一种基于Cycle GAN算法实现前视声纳图像库构建的方法。受光学图像与SAR图像转换研究工作的启发,本文利用光学图像合成声纳图像,实现光学到声纳图像的风格迁移。本文对Cycle GAN网络损失函数的改进,提高了声纳图像的合成效果。通过与Pix2Pix等图像风格迁移网络进行比较的实验结果证明,修正后的Cycle GAN网络具有更好的图像风格迁移效果;最后用合成的声纳图像训练Mask RCNN网络,并用真实的声纳图像进行测试,训练得到的模型能够成功地识别出真实声纳图像中对应的目标,进一步验证了利用光学图像构建声纳图像库方法的有效性。3.提出了一种改进的Mask RCNN算法实现前视成像声纳图像目标分割与识别的方法。本文针对Mask RCNN模型中Back Bone结构进行改进,用Res Net模块搭建一个32层的CNN特征提取网络,用该网络替换原Mask RCNN中的Res Net50/101,在保证模型检测精度的同时,减少网络的训练参数;为了提高模型训练收敛速度,本文采用Adagrad优化器替代SGD优化器,在相同的迭代次数下,Adagrad优化器比SGD优化器能更快达到收敛并且Adagrad训练后的模型检测性能更好;最后与其他目标检测模型进行比较,实验结果表明,修正后的Mask RCNN模型在保证目标识别及分割精度的同时,大大减少了模型的训练参数。4.给出了一种基于CNN实现前视声纳图像目标识别与分割系统的设计方案。本文根据前三章的理论研究提出了此设计方案。首先给出了前视声纳图像目标识别与分割系统的整体设计框架,然后分别对系统中的每个模块进行介绍,针对整个系统实现过程中可能出现的问题进行分析并给出相应的解决方案,最后对前视声纳图像目标识别与分割系统的应用前景进行分析。综上所述,本文研究以卷积神经网络为基础实现前视声纳图像的增强与目标识别,实现水下目标分割与识别,目标检测平均准确率达到96.97%,提出一种新的前视声纳图像数据库构建方法,以及前视声纳图像中旁瓣噪声的去除方法,本文希望通过对这些技术的研究,能为未来前视成像声纳自动识别系统研发提供更多思路。