声纳是海洋资源探索、近海边防、救助打捞等一系列水下活动的重要工具。随着近年来成像声纳技术的发展,根据声纳图像对水下目标进行识别成为了一种关键手段。传统声纳图像识别技术步骤繁琐,需要手动设计特征提取,依赖人工经验容易造成特征丢失。基于深度学习的声纳图像识别对于声纳图像数据量有较大的需求,而声纳图像数据的获取通常成本较高且数据量少,同时经典的网络模型往往是为了光学图像识别任务设计的,所需算例较高,占用储存空间较大。针对上述问题,本文将光学图像领域的深度学习方法通过迁移学习应用到声纳图像领域并引入模型压缩技术,主要工作内容如下:首先,我们分析选择了适用于声纳图像识别任务迁移学习的CNN模型——VGG16,并对该模型进行了特征图可视化与迁移学习测试。根据结果设计了不同的迁移学习策略并对模型进行了改进使其更加适用于声纳图像识别任务。测试对比了改进后的模型在不同迁移学习策略下的表现效果,相比于改进前的VGG16本文模型在声纳图像上有着更好的表现;研究了在最优迁移学习策略下改进模型对于不同峰值信噪比（PSNR）的噪声图像的识别效果。分析了不同PSNR数据集训练出来的模型对噪声图像识别效果的鲁棒性;其次,我们引入了两种模型压缩方法:使用了权重剪枝对改进后的VGG16模型进行稀疏化以剔除网络模型对于当前任务的参数冗余,对比了不同稀疏度下模型的识别效果。对PSNR=16.23d B噪声图像数据训练的模型进行了不同稀疏度的对比测试,结果表明高稀疏度的权重剪枝能增加网络对于不同PSNR声纳图像的识别效果;设计了一种小型网络用于对VGG16预训练模型的知识蒸馏,结果表明知识蒸馏能将大模型的知识迁移到小模型中并保持良好的识别效果,同时小型网络的模型识别速度也有所提高。