地球71%的面积被海洋覆盖,海洋和人类息息相关。在生活中,人们需要探测海底的地貌以及各种需要的资源;在国防上,人们需要探测出海里的一些军事目标,以做出防御。因此,对海洋的目标进行探测以及识别显得尤为重要。由于光学图像在水中成像模糊,容易受到光线折射、反射的干扰,成像距离有限,因此对海底目标的检测主要是基于侧扫声呐图像。目前已有的图像分类方法大多适用于光学图像,其中,传统的方法一般是SIFT、HARRS等特征提取算法配合神经网络、贝叶斯以及SVM等分类方法完成对图像的分类,这些方法要求人们对图像有一定的理解,需要人们靠经验和针对特定的声呐图像来提取出对分类有用的特征,因此取得的效果一般不好。本论文针对以上存在的特征提取困难的问题,提出了新的方法从而提高侧扫声呐图像的分类性能。首先,针对侧扫声呐图像特征提取困难的问题,采用了卷积神经网络方法来自动的进行特征提取。由于侧扫声呐图像的数据太少难以满足卷积神经网络对数据的要求,本文在现有的侧扫声呐图像的基础上,对图像进行了扩充。在实验中,基于原始数据集以及扩充后的数据集训练了不同类型的卷积神经网络,两者的分类正确率都远高于传统方法;同时,在扩充数据集上的分类正确率高于原始数据集,验证了数据扩充的有效性。其次,针对侧扫声呐图像数量太少的问题,采用了基于卷积神经网络的多任务学习方法,使用源领域的数据来辅助侧扫声呐图像的分类;针对与源领域和目标领域底层特征的区别,在原有方法基础上将底层的特征提取器进行分离,提出了改进的多任务学习方法。实验中,在侧扫声呐数据集上分别训练了两种方法所提出的网络,实验证明多任务学习方法相对于普通的卷积神经网络方法的效果更好,改进的多任务学习方法也比普通多任务学习方法有分类效果上的提升。最后,针对多任务学习中没有考虑源领域和目标领域之间的领域差异的问题,使用了基于深度适配的迁移学习方法。深度适配方法在训练过程不断减小领域之间的差距,从而使源领域的知识能够应用到侧扫声呐图像上;针对深度适配网络没有使用侧扫声呐图像的标签造成信息损失的问题,从两个方面对深度适配方法进行了改进。第一,使用多核MMD来计算不同领域内同一类样本之间的距离来代替原方法计算领域之间的距离;第二,提出了一种将多任务学习和迁移学习相结合的方法,在迁移学习网络的基础上添加了对侧扫声呐图像分类的任务。在迁移学习Office-31数据集和侧扫声呐图像数据集上,对比了各种方法的效果,证明了迁移学习方法以及提出的改进方法的有效性。