随着声成像技术的成熟和高分辨率成像声呐的发展,利用声呐图像对水下目标进行识别和检测逐渐成为近海国防与海洋资源探测的重要手段。针对传统的声呐图像目标识别和检测方法中存在的步骤繁琐、效率低下以及依赖人工经验等诸多缺点,本文研究了基于卷积神经网络的声呐图像目标识别与检测方法,主要内容和成果包括:(1)详细介绍了卷积神经网络(CNN)的基本概念和原理,对基于CNN的目标识别和目标检测方法进行了阐述。(2)为了研究何种CNN网络结构对声呐图像目标识别效果更好,本文设计了5种不同的CNN模型,研究了不同的网络层数、卷积核大小以及激活函数对声呐图像目标识别结果的影响。(3)为了将CNN方法和传统的目标识别方法进行对比,本文对基于人工特征的传统目标识别方法原理进行了简单介绍,分析了HOG算子和LBP算子的基本原理,介绍了支持向量机(SVM)分类器的分类流程,研究了不同SVM核函数对声呐图像目标识别结果的影响。(4)将基于CNN的YOLOv3目标检测算法应用至声呐图像目标检测任务中,并使用k-means聚类算法提高了YOLOv3算法的性能。(5)针对YOLOv3在声呐图像目标检测过程中存在的计算冗余和特征融合不充分的缺点,本文提出了一种改进的FW-YOLOv3目标检测算法模型。实验结果表明,FWYOLOv3算法在声呐图像目标检测精度和检测速度上都比YOLOv3算法有明显的提升。本文的创新点总结如下:1.针对声呐图像目标识别任务,设计了5种不同的CNN网络模型,在实验中研究对比了不同网络层数、卷积核大小以及激活函数对声呐图像识别结果的影响;2.针对声呐图像目标检测任务,提出了一种改进的FW-YOLOv3算法模型,在新算法中设计了一种单尺度目标预测网络,并提出了一种新的加权特征融合算法。实验结果表明,本文提出的单尺度预测网络能够提高模型的检测速度,加权特征融合算法能够有效提高模型的检测精度。