侧扫声呐在水中作业主要承担着水下目标检测、海底地貌信息勘测等任务,是目前水下目标识别中应用最广泛、最重要的一种设备。但是由于侧扫声呐成像的分辨率较低,受噪声和图像背景干扰严重,一些与背景十分近似的目标和重叠小目标又极难区分,这些干扰因素使得侧扫声呐图像的目标检测任务变得十分艰难。本文针对上述难点,基于深度学习方法对侧扫声呐图像中尺度各异的四类目标进行检测,具体研究内容如下。首先对侧扫声呐成像特点进行了分析,然后具体总结了国内外目标检测技术的研究现状以及水下目标识别技术目前存在的问题,分析了现有的国内外侧扫声呐图像目标检测问题中遇到的难点和挑战。面对目前水下侧扫声呐目标检测方法精度低且泛化能力较差的问题,本文选择借助深度学习方法来实现侧扫声呐图像中目标的精准检测。其次,研究了侧扫声呐图像数据的增强和预处理算法,建立了侧扫声呐图像数据集。针对侧扫声呐图像获取成本较高导致可用的数据量十分稀少以及成像后的图像受噪声和背景干扰严重导致图像质量较差的问题,除了采用如几何变换等数据增强手段,还通过生成对抗网络的方法生成一些包含目标的侧扫声呐图像,完成了数据集的扩充,增加了数据集的多样性,在获得高质量数据的同时也为深度学习算法的应用奠定了良好的数据基础。再次,改进了基于YOLOv3和迁移学习的侧扫声呐图像目标检测算法。分析了原有YOLOv3算法的基本结构,然后针对侧扫声呐图像检测时出现的漏检和误检问题及独特的阴影特征,提出了增强网络层级特征联系、利用组合池化方式丰富特征层的改进YOLOv3算法模型。进一步地,又通过迁移学习方法增加改进后模型的泛化能力,有效提升了目标的检测精度。最后,研究了基于改进中心点算法的实时检测模型,并结合多尺度测试的方式加强了重叠小目标的检测效果。针对目前侧扫声呐图像中信息较多、检测速度较慢的问题,设计了一种不依赖于锚点框的改进中心点目标的检测算法,仅通过对目标中心点位置的预测回归得到目标的边界框,从而减少了模型的参数计算量,加快了算法的检测速度。另外,在改进模型的基础上又结合了多尺度测试的方法,解决了重叠小目标检测精度不足的问题。本文通过多组对比实验证明了改进后的算法在精度和速度方面的提升,解决了侧扫声呐图像目标检测过程中出现的漏检、误检和重叠小目标检测精度低的问题。最后,本文指出了目前尚存在的一些不足之处,并展望了深度学习方法未来在侧扫声呐图像检测中的应用。