随着科技水平的推进,人类的活动领域不断的扩展,针对海洋水下目标的检测已经成为探索海洋秘密的关键技术。在以往水下目标检测技术中,主要是依靠时域特征、频域特征,这些特征提取过程过于依赖人的经验和主观意识,进而使得特征提取技术一致成为水下目标检测的技术难点。本文的研究就是针对这样的研究背景,利用LoFAR谱的方式把时域信号和频域信号有效的融合,实现基于信号融合的特征提取方法。并且针对卷积网络在全连接操作时会丢失特征图空间信息的不足,通过引入多维特征加权算法来对空间信息进行加权强化,该算法采用最大检出假说理论和二维图像熵理论作为了特征图层的权值评价标准,并给出了空间(spatial)和通道(channel)两个维度的加权算法。进而提出了基于多维特征加权网络的水下目标特征提取算法流程。为了进一步增强卷积网络的局部特征提取能力,本文继续分析了线性卷积滤波器在处理线性不可分特征上的局限性,以及过完备的线性滤波器组还会产生提取特征的冗余,进而给网络训练带来负担。再结合径向基神经网络的非线性处理能力,提出了一种RICNN网络模型,在该模型中,通过引入局部正则化层来解决深度增加对网络收敛速度的影响,全局均值池化的策略来代替传统卷积网络中的全连接层,进而解决了该模型过度拟合的现象。与此同时,网络模型将内嵌的径向基网络作为通用的非线性滤波器,增强了卷积网络的局部特征抽取能力。并且通过具体的实验仿真的方法验证了本文提出的特征图多维加权卷积神经网络与RICNN模型在特征提取方面的效果。通过本文的研究,不仅实现了时域信号和频域信号有效的融合,同时有效的验证了特征图多维加权卷积神经网络与RICNN模型在特征提取方面的效果,使得本文的研究在探索水下目标检测特征提取方面具有十分重要的研究意义。