算法的研究以及性能分析需要大量实测数据的支持,而对于声呐图像数据这类公开性不高、获取成本高、图像质量差、研究群体小的特殊数据,较少的样本量困扰着众多的研究人员。而利用图像生成技术,可以一定程度上缓解声呐图像小样本问题。本文从深度学习的角度出发,利用生成对抗网络强大的样本模仿能力,对声呐图像样本生成以及声呐图像盲去噪两个方面进行了研究。本文以含有三文鱼目标的声呐图像为例,研究适合声呐图像的生成对抗网络以及生成图像的评价方法。由于不同的网络对于不同种类的样本具有差异,本文使用弗雷歇特距离对几种基础的生成对抗网络模型生成的三文鱼声呐图像样本进行了基于样本距离的差异比较,根据生成样本多样性及真实性,认为WGAN-GP模型适合作为解决声呐图像小样本问题的基准模型。同时,为了对结果进行优化,本文根据人眼视觉感受将WGAN-GP模型生成的三文鱼图像划分为高、低质量两类用于训练分类器,该分类器在测试样本以及真实样本中均表现出较好的性能,同时对WGAN-GP的生成结果再进行分类,可以起到对图像质量的优化作用。此外,为了解决使用深度学习方法对声呐图像去噪时,缺少训练样本对的问题,本文借鉴使用生成对抗网络为噪声建模从而实现光学图像盲去噪的思想,在假设噪声主要为加性噪声并且在没有任何声呐参数的前提下,基于提取的噪声,使用生成对抗网络对噪声建模,实现了主观及客观角度都具有较优效果的声呐图像盲去噪。并对相同水域、不同图像质量的声呐图像数据进行了算法的适用性分析。同时根据声呐图像的成像特点,对提取噪声的步骤提出了基于全局灰度值均值的限制条件,并通过对比实验证实了该限制条件对声呐图像盲去噪的适用性及合理性。