当前海洋环境正变得越来越复杂,传统水下目标识别技术受到前所未有的挑战。一方面,随着水下运动目标减振降噪技术的不断发展,水中航行器的噪声级别已降到或接近于海洋背景噪声,低信噪比信号使得水下目标识别任务难度倍增;另一方面,由于我国海岸线绵长,覆盖纬度范围大,沿岸水底质条件复杂。传统目标识别技术受限于自身特征表达能力针对有限水文条件的目标识别任务尚可以胜任,而对于复杂的水文条件的识别任务则表现乏力。此外,随着沿海周边经济发展,海上船舶的高强度活动带来的嘈杂背景噪声进一步增加了目标识别的任务难度。因此,面对当前复杂的水下环境,水下目标识别目标任务需要特征表示能力更强、识别精度更高的识别模型。本文利用深度学习方法对水下目标辐射噪声信号进行探索性研究,基于卷积神经网络结构实现水下目标信号的端到端处理,完整过程涵盖水下目标噪声信号的矢量化表示、特征提取、模型精简与识别分类四个阶段。水下目标噪声信号矢量化表示阶段,本文提出幂律归一化倒谱系数的抗噪改进方法;特征提取阶段,本文提出特征加权层结构;模型设计阶段,本文提出基于模型注意力快速降维的卷积神经网络模型;识别分类阶段,本文提出基于聚类的增量集成方法。具体而言,本文的研究主要包括以下4个方面:首先,针对水声环境复杂水下目标辐射噪声混响严重的问题,在对比诸多噪声特征描述方案的基础上,提出一种提高抗噪能力的幂律归一化倒谱系数(improved anti-noise Power-Normalized Cepstral Coefficients,ia-PNCC)表示方法。ia-PNCC利用多正交窗与归一化Gammatone滤波组增强PNCC在水下目标噪声特征表示上的抗噪能力。实验结果表明经ia-PNCC表示的声学特征具有较强的抗噪能力,更适用于基于卷积神经结构的水下目标识别模型。相比于其它单一声学特征与卷积神经网络的搭配,ia-PNCC特征较大幅的提高了水下目标的识别准确率。其次,针对目前用于训练深度卷积神经网络的水下目标噪声数据集受成本所限普遍体量偏小不足以支撑深度卷积神经网络模型训练的问题,从数据扩充与模型精简两个方面着手解决。在数据扩充方面,提出对称学习数据扩充模型(Symmetric Learning Data Augmentation Model,SLDAM)。SLDMA模型从生成样本损失与生成样本特征损失两个角度对扩充数据样本进行有效约束,从而保证生成数据的质量以及生成数据在分类器上的可靠性。在模型精简方面,针对在数据量偏小的样本数据集上训练模型容易出现过拟合的问题,提出一种基于模型注意力快速降维的卷积神经网络模型(Faster Reduced Dimensional Convolution Model with Attention,FRD-CMA),FRD-CMA模型根据特征收敛方向作为池化操作的导向,改进了传统卷积神经网络中池化操作脱离任务粗暴降维的问题。实验表明,在数据量偏少的情况下,FRD-CMA模型基于特征关注方向快速降维可以有效降低模型在小数据集上训练的过拟合风险。再次,针对水下目标识别分类任务特征提取困难及特征利用率低的问题,通过分析卷积神经网络结构特点,利用卷积运算过程能够保留卷积核所在位置信息的特点,在全连接层前引入特征加权层(Feature-Weighted Layer,FWL)。FWL结构从平面位置与空间通道两个维度对卷积神经网络提取的目标特征进行加权接合,在保留特征位置信息的同时提高特征的使用效率。实验证明,FWL的加权过程不会引入额外参数可有效降低模型训练的负担,同时,利用卷积神经网络自动地从实际数据集中提取样本特征,可借助模型训练的高效率迭代过程充分优化特征。最后,针对复杂环境下水下混响的存在使得目标辐射噪声差异变小,水下目标分类器需面向任务动态的调整分类器的性能的问题,提出一种基于分簇的水下目标增量分类方法(Underwater Targets Incremental Classification based on Clustering,UTICC)。UTICC通过集成不同的水下目标分类器实现对水下目标特征的敏感调整。通过将基分类器的分类错误概率作为分类器间的差异表示,UTICC可以直接参与深度学习模型训练过程并实现深度学习模型对增量数据的支持。实验证明UTICC方法能够有效强调基分类器之间的差异从而增强模型在数据集上的泛化性能。