水声目标被动识别技术是当今世界各国研究的热点和难点，尤其是在军事上，随着舰船声隐蔽能力的逐渐增强，对此技术的需求将愈来愈迫切，各国海军部门都高度重视在水声目标被动识别领域的研究和创新。本文在分析舰船辐射噪声特性的基础上，提出一种水声目标被动识别的总体架构，此架构包含数据准备、特征提取、分类识别和信息融合四个部分。数据准备部分是基于目前对舰船辐射噪声特性的了解，在实验室环境下，通过使用滤波器等工具，模拟产生出与真实舰船辐射噪声在特征上相吻合的仿真信号。仿真舰船辐射噪声信号具有识别系统所需要的全部特征信息，并且获取容易，数据量可控，在一定程度上解决了水声实验获取数据困难的问题。本文在对舰船辐射噪声各分量的成因和特性进行分析的基础上，建立舰船辐射噪声仿真模拟的数学模型，并提出使用特定频率响应滤波器设计方法以仿真舰船辐射噪声中的连续谱。仿真结果表明，特定频率响应方法能够以较简单的算法产生较其它方法更加逼真的噪声谱，为验证识别系统的性能奠定了良好的基础。特征提取的过程是把输入的舰船辐射噪声信号变换到不同的特征空间，提取出反映样本的类别特性的特征向量，并把其作为分类器的输入模式。本文作者经过分析，提出两种较为有效的水下目标特征提取方法——基于功率谱估计的线谱特征提取方法和基于小波分析的不同频段内能量特征提取方法。其中线谱特征反映了舰船辐射噪声的频域信息，而能量特征综合不同频段内的信息。这样，本系统就融合了目标在不同方面的特征，为正确分类识别提供了更丰富的信息。分类器的定义是可以根据输入模式判定该样本的所属类别，实现类别的划分。本文所引入的分类器是基于人工神经网络的LVQ神经网络分类器，该分类器作为在自组织竞争网络基础上发展出的一种神经网络模式，既继承了竞争型网络的特点，又增加了有监督的学习算法，从而实现有导师的分类识别。本文将其引入到水声目标的分类识别领域，建立LVQ网络，使用仿真的舰船辐射噪声数据提取特征向量，对网络进行训练和测试。结果表明，该网络模式可以快速的对目标进行识别，并且对高维的特征向量能够实现较传统BP神经网络更准确的识别，得到较高的识别率。信息融合能够将来自不同平台的信息进行合理整合，达到更好的识别效果。根据本文的试验结果，BP神经网络和LVQ网络分别对线谱特征和小波能量特征具有较好的识别能力，由此，本文将两种识别器引进到识别系统中，使其各自发挥作用，在决策层将识别信息进行融合，试验表明决策层信息融合有效地提高了整个系统的识别率。