海洋中蕴藏着丰富的自然资源，探索海洋逐渐成为世界经济发展的新动力，各海洋国家已经把经济发展重点从陆地转向海洋，不断加大对海洋的开发力度，作为发展中国家的中国，人口基数大，土地资源紧张，发展海洋经济迫在眉睫。
　　探索和开发海洋的前提条件是具有一定下潜深度的深潜器，工欲善其事必先利其器，一国深潜器的开发利用水平直接关乎探索海洋的深度和广度。深潜器的结构支撑材料是“海洋金属”-钛合金，深海作业过程中钛合金结构的受力状态关乎舱内工作人员和深潜器的安全。而深海作业环境异常复杂，深潜器在深海作业过程中钛合金部件容易受损，对钛合金部件进行严格的疲劳检测非常有必要。传统检测手段为上岸检测，通过超声检测、声发射检测等技术手段，对各部件进行无损检测。该种检测手段存在一定的时间滞后性，无法在第一时间发现深潜器的受损情况。为了实现对深潜器运行状态的实时检测，可在深海作业过程中，通过技术手段对声发射信号进行识别检测，及时判断钛合金部件的疲劳受损状态，从而做出修复、上浮等决策，避免出现更严重的损坏。深海作业声发射信号识别的难点在于:1.深海环境噪声复杂，深潜器作业过程中的声发射信号易受干扰，导致识别准确度较低，因此为了更精确地识别信号，需对采集到的声发射信号进行降噪处理;2.深海作业的异常声发射信号如撞击、断裂等持续时间极短，导致采样窗口偏移量较低时才能捕捉到异常声发射信号，而较低的采样窗口偏移量会加大识别计算量，造成深潜过程中的计算资源浪费。
　　本论文研究基于主成分分析与深度学习的特定深海作业声发射信号的识别。利用主成分分析方法对深海环境噪声进行抑制，再通过神经网络对声发射信号进行种类识别并预测采样窗口偏移量。本论文的具体工作包括:
　　1.本论文通过主成分分析方法分别对深海环境噪声的高斯白噪声分量与非高斯白噪声分量进行抑制，并对降噪结果级联后输入至神经网络中，实现对声发射信号片段的降噪与分类识别。实验结果表明，该方法可显著提高识别准确度。
　　2.为了以较低的计算量实现长时间声发射信号的检测，本论文在降噪的基础上，采取循环神经网络对声发射信号进行识别，并利用循环神经网络预测采样窗口偏移量，信号为噪声时增大采样窗口偏移量，从而在保证识别准确度的基础上降低计算量。