现代环境下科技的推进与发展速度愈发加快,人类的步伐开始遍布整个三维空间,同时随着陆地上自然资源日渐枯竭,而海洋中的大量资源由于种种原因还没有进行开采。在这个大环境下,水下目标探测作为海洋研究领域中十分重要的组成部分,吸引了无数学者投入到这项工作中。与此同时,深度学习在多个领域均有着十分突出的表现,因此本文的研究工作主要在于将深度学习算法应用于水下目标探测领域,主要工作如下:首先针对水下目标探测过程中,由于水下环境复杂,导致水声信号特征多变而难以提取的问题,通过研究深度学习算法中的卷积神经网络相关理论,分析了其用于进行特征提取的卷积和池化方法,提出了一种面向水声信号特征提取的自适应卷积方法。该方法在常规卷积的基础上,引入了额外的卷积层来通过学习的方式使得卷积核能根据不同特征来自适应地改变其感受野的采样位置和范围,显著增强了卷积核对多维特征的提取能力。在此基础上针对卷积神经网络忽略了特征间的联系的问题,提出了一种基于特征图通道的加权过滤方法,通过改变卷积核所提取的多通道特征图中各个通道对结果的影响程度,进一步提高自适应卷积方法的特征提取效果。然后针对水下目标探测边界难以界定的问题,需要将上述方法提取到的特征沿时间轴排列形成特征序列,从时序的角度进行特征联合来获取水声信号特征的变化规律来最终获得探测结果。通过分析水声信号特征的变化情况,提出了一种面向水下目标探测的特征联合方法。该方法针对长短时记忆网络训练时间长的问题,对其循环单元的结构进行了优化,提出了一种快速循环单元,通过减少循环单元串行计算来加快了模型的训练速度。并将自适应卷积和基于特征图通道的加权过滤方法与快速循环单元相结合,提出了面向水下目标探测的自适应快速循环神经网络模型。最后在多个数据集上对本文所提出的方法和模型进行了实验验证。首先使用不同条件下的目标水下辐射噪声验证了自适应卷积和特征选择方法在传统卷积神经网络上的提升效果。然后使用自适应快速循环神经网络模型在对河口水库数据集和松花江数据集上进行实验,验证模型的可行性和有效性。