当前,世界各国对海洋及其重要战略地位极为重视。海战中如何精确、快速的进行水下目标识别,发现敌方并采取防御和反击措施,具有重要的意义。在目标识别过程中,针对噪声信号谱图的特征提取是水下目标识别的关键。神经网络已经应用于水下目标识别的相关研究中,其识别的准确性和识别的性能受到所选择特征向量的影响。由此,特征向量是影响识别效果的一个重要原因,找到一个方法使提取的特征更利于识别是特别需要解决的问题。主成分分析(PCA)是针对数据的一种特征提取技术,能在保存原始数据主体信息的同时对其进行有效的降维。维数降低后,对数据的处理更加快速、有效。本文提出了一个主成分分析和BP神经网络相结合的方法对水下目标进行识别。首先利用原始信号获得LOFAR谱图,提取特征后再用PCA提取主成分以降低输入特征向量的维数,最后用神经网络完成噪声信号的分类和识别。本文围绕以下几点进行研究：(1)对水下目标和舰船的振动辐射噪声理论基础进行阐述,在分析水下目标振动噪声的特性的基础上,对信号进行了分类模拟和仿真；(2)引入主成分分析方法,对噪声信号的低频谱图进行有效的降维处理,为后续目标识别提供条件；(3)提出了一种基于PCA方法的BP神经网络水下目标识别算法,论述了用LOFAR谱图进行特征提取的方法。仿真实验中,对三类不同目标信号提取LOFAR谱图特征并利用主成分分析法对得到的特征矢量进行降维处理,最终利用神经网络对提取的水下目标特征向量进行了分类识别。仿真实验结果表明：(1)PCA与BP神经网络结合的目标识别方法在时效上具有一定的优越性,同时也具有更高的识别率。(2)在PCA与所有BP神经网络优化算法结合的过程中,LMBP神经网络的识别率、抗噪声能力和收敛速度均优于其他几种网络。