本文以动力系统理论为基础、针对实测水声信号开展研究，讨论被动声纳信号(目标辐射噪声)的相空间重构、预测、降噪问题及其在检测与识别中的应用。论文的主要内容概述如下： 讨论了被动声纳信号的相空间嵌入问题。理论上，嵌入应能重构出与原未知系统的轨迹微分同胚的轨迹；实际操作中，嵌入参数的选取原则是针对实际应用选取，即找到适合当前工作对象和工作目标如维数计算、预测的相对较好的嵌入，应使计算比较可靠，计算代价较小。对辐射噪声数据的计算表明，计算吸引子维数和序列预测所需要的时延与嵌入维乘积的最小值是比较接近的，可称之为最小时窗，它是反映序列在相空间重构的一个特征长度。 应用相空间局部线性预测方法对实测的辐射噪声数据进行了分析，得到两种类型的预测误差～邻域大小曲线，分别适合线性和非线性预测，同时还讨论了预测参数的选取问题。分析表明，当序列呈非线性时，连续谱更多地含有非线性成分。根据辐射噪声的特点，提出用线性预测结合非线性修正项的全局预测器，由残差的性质决定是否进行残差的非线性预测。比较了线性预测、局部线性预测和残差预测法的特点和用于辐射噪声时的性能：对许多数据而言，两种非线性预测的误差小于线性预测，这时，若序列足够长，局部线性预测的误差最小，而残差预测法在计算代价和预测误差上都较折衷。 通过分析波束合成后的信号知，目标信号以低维成分为主，而背景噪声以高维噪声为主。因此，当背景的先验知识较少时，可用基于自组织网的降噪法从数据中提取出低维成分。当背景噪声内存在低维成分时，设计了抑制它的方法，即通过线性预测和非线性滤波二个步骤减低背景噪声影响，得到近似重构目标信号动力系统的输出信号。 用基于动力系统的方法对实测的辐射噪声进行了检测和识别实验，无论是高斯白噪声背景下检测低维成分或是实际环境噪声背景下检测预测模型的差异，效果都优于能量检测。不同目标的分类问题被转化为比较预测模型的不同，具体地，检查待测样本与已知类别序列的预测器的匹配程度。运用本文中的降噪法进行预处理，还可改善检测和识别效果。