有效探测识别低空飞行器已成为雷达等传统监控手段亟待解决的问题,而声目标识别凭借全向探测、被动探测和隐蔽性好等诸多优势,在低空飞行器探测识别方面获得广泛的关注和应用。本文以国防和公共安全的实时监控为应用背景,针对直升机这一典型低空飞行器飞行过程中连续识别的准确率和鲁棒性问题,在深入总结和分析直升机声信号产生机理和特性的基础上,对声目标识别中声信号预处理、特征提取和识别等关键技术进行研究,提出基于深度学习的声目标识别框架。为提高连续识别过程的正确率和鲁棒性,本文提出了一种基于复合深度神经网络的直升机声学特征提取和识别框架。复合深度神经网络由卷积神经网络和长短时记忆神经网络以并行结构组合,进行直升机声学特征的优化,完成直升机类型识别。针对直升机声信号特性,本文对卷积神经网络进行了改进,使得该复合深度神经网络在信号短时谱基础上优化声信号特征表征并提取前后帧之间的相关信息,弥补传统声目标识别方法不能充分利用目标信号时间历程信息的缺陷。真实外场实验数据测试结果显示:相较于传统识别方法,该框架显著提升了直升机进入有效探测范围后连续识别的鲁棒性和目标识别正确率。针对直升机声目标识别中环境背景噪声影响识别鲁棒性和正确率的问题,本文提出了一种基于卷积神经网络的直升机声信号预处理框架,并将其与识别框架耦合。该框架利用卷积神经网络映射预处理特征与预处理目标之间的关系,并经实验确定最优预处理特征和目标,且证实其弥补了传统预处理方法破坏声信号谐波结构的缺陷。同时,为进一步提升识别正确率,耦合了预处理模块和识别模块。实验结果证明其可略微提升识别正确率。