随着声纳技术的快速发展,水下声纳图像分类领域的研究正在不断深入。水下声纳图像的分类研究无论在军事上还是民用上都有着重要意义,在军事上,有助于发现水雷、潜艇等,在民事上,有助于发现鱼群、检测坝底的完好程度等,能为今后的水下目标识别提供一定的借鉴作用。传统的水下声纳图像分类方法是采取不同的提取特征方法来完成的分类,使其不能被广泛应用于水下声纳图像分类。而深度学习模型是通过内部网络结构自动提取图像特征,对图像分类有着重要影响。结合水下声纳图像的特点,研究深度学习相关理论与研究方法后,为水下声纳图像的分类构建深度信念网络(Deep Belief Network,DBN)和卷积神经网络(Convolutional Neural Network,CNN),并进行相应的分类实验。实验结果表明,CNN的分类效果优于DBN,但CNN中滤波器权值矩阵初始化的随机性会影响最终分类精度。针对CNN中滤波器权值矩阵初始化的随机性问题,结合水下声纳图像的特点和DBN内部网络结构,提出一种基于深度学习的自适应权值卷积神经网络(Adaptive Weights,AW-CNN)来完成对水下声纳图像的分类。利用DBN迅速得到良好特征提取矩阵的优势来自适应调整CNN滤波器权值矩阵的分布,即将DBN训练学习得到的权值矩阵来代替CNN中随机生成的滤波器权值矩阵。AW-CNN可以解决CNN中滤波器权值初始化的随机问题,避免陷入局部最优,提高分类正确率。在完成AWCNN分类后,为了进一步提高水下声纳图像分类正确率,对原始声纳图像数据集进行预处理(AW-CNN with preprocessed dataset),最终完成对水下声纳图像的分类。实验从有效性,收敛性和可视化方面分别对AW-CNN进行验证。得到在保证收敛速度的基础上,AW-CNN的分类正确率更高的实验结果。同时可视化实验直观得到了AW-CNN可以更好的提取特征的效果。在验证了AW-CNN有效性、收敛性并对AWCNN进行可视化后,用阶梯初始化水平集和灰度共生矩阵来对数据集进行预处理。实验结果表明,AW-CNN with preprocessed dataset的分类正确率最高,证明了数据集预处理有利于水下声纳图像分类,也进一步的证明了AW-CNN的有效性。