从第二次世界大战开始,磁异探测技术（MAD）就开始应用在军事领域。近年来,随着弱磁传感器技术的进步,磁异探测技术在军事应用方面得到了进一步的重视和发展,磁异信号检测技术就是磁异探测最关键的技术之一,其本质就是如何从低信噪比的磁测量信号中判断有无磁异信号存在。本文拟将神经网络作为二分类器引入到磁异信号检测技术中,并从自动特征提取和人工特征提取两个方面,研究神经网络在磁异信号检测中的应用,为水下目标探测提供相关理论和方法支撑。主要工作和创新点如下:首先,介绍了磁异信号产生的基本机理,从理论上分析了磁异信号的时域特征和频域特征,为后面设计适于磁异信号检测的神经网络模型奠定基础。磁异信号检测的本质就是从低信噪比的测量信号中判断有无磁异信号存在,是二分类问题。因此将神经网络作为识别测量信号中是否有磁异信号的分类器,提出了基于神经网络的磁异信号检测方法,并介绍了神经网络中模型训练和信号检测的基本流程。然后,提出了基于自动特征提取的磁异信号检测方法,即将磁测量的原始数据作为神经网络的输入,让神经网络自动从原始数据中学习有利于分类的数据特征。介绍了样本集的制作和标准化等数据预处理方法,以及从输出层节点阈值、神经网络拓扑结构和激活函数三个方面对神经网络进行设计的方法。仿真和实验结果表明,在模拟高斯色噪声和实测噪声下,基于自动特征提取的神经网络检波器（FCN-400）的检测概率均高于传统的OBF检波器。例如在噪声指数为0.5的高斯色噪声下,磁矩方向为120°,CPA为450m时,FCN-400检波器的检测概率比OBF检波器高20%左右。最后,针对神经网络自动学习到的特征不足以区分磁异信号与噪声的问题,提出了基于人工特征提取的神经网络模型,即将从原始数据中提取到的信号时频特征、统计特征、磁矩特征作为神经网络的输入。然后基于不同的特征融合方式,设计了特征全融合和特征分类融合两种网络结构来进行磁异信号检测。仿真和实验的结果表明,在高斯色噪声和实测噪声下,基于人工特征提取的特征全融合神经网络检波器（FCN-42）和特征分类融合神经网络检波器（PCN-42）的检测性能均优于OBF检波器,进一步提高了磁异信号的检测概率。例如在噪声指数为0.5的高斯色噪声下,磁矩方向为120°,CPA为450m时,FCN-42检波器的检测概率比OBF检波器高40%,PCN-42检波器比OBF检波器高45%。