水下声纳探测是国内外海洋远距离探测的主要方式,而水下成像后的处理一直是目前具有应用价值和挑战性的研究热点。声学成像后的图像本身就不如传统光学图像分辨率高,水下环境复杂多变带来的声学成像质量更差,存在伪影和复杂的背景噪声,传统的目标检测识别的算法处理效果不尽人意。因此本课题针对水下声图的特征进行研究,提出多种适用于处理声纳图像的改进算法。水下声图的降噪预处理是声纳图像目标检测识别的前提,由于声图存在的噪声复杂,一般光学图像降噪的经典方法对其处理效果有限。本课题中采用非下采样轮廓波变换对声图进行分解得到高低频子带,在其基础上对脉冲耦合神经网络模型进行参数简化和改进并进行高、低频图像融合,经过反变换重构后的声图保留了声图的边缘信息的同时,较好的去除了斑点噪声。即使在噪声水平逐步添加时,本文提出的方法平均信噪比相比于频域降噪,双树双密度降噪,Lee滤波分别提高了34.8%,14.5%,9.4%,有较高的抗噪性能。广阔水域下的声纳探测传回的大量数据为目标识别带来一定困难,在声图目标识别匹配前,先判断声图的目标有无可以有效避免后期的冗余计算。本课题运用二维经验模态分解对声纳图像分解重构,对提取的差分极值点包络曲线进行检测,实验分析证明,在长短时窗检测时采用其差值代替比值能更好的凸显含有目标的声图包络曲线的波动幅度变化,方法简单而且检测准确率高达97.2%。对于正确识别水下声图中的目标是声图处理的关键研究问题,大多数的目标匹配都在探索降低特征点的误匹配率的方法。而本课题中是采用寻找声图目标区域最优特征点对的思想:运用改进后的恒虚警的技术,从surf算法匹配的大量特征点对中筛选目标区域的特征点对。同时再结合环形环状区域统计特征检测,判断二者是否匹配,匹配成功后计算其特征点对的几何关系,经过旋转校正后寻找匹配的目标区域。实验结果证明,该方法在声图复杂背景下,可以有效对抗目标形变旋转带来的影响,目标匹配重叠率相比于最好兄弟相似性算法及其改进算法分别提高了32.59%和16.57%。最后,本课题将目标检测与匹配的算法在Python环境下实现,充分运用其强大的资源环境,调用了Open CV图像视觉库和Py Qt5控件集,完成了可视化的图形交互系统的设计,可以兼容各操作平台,具有较高的可移植性。