王磊 陈越超 王青翠 王方勇

（第七一五研究所，杭州，310023）

海洋信道具有时空变化，平台亦有自噪声干扰，加上强烈的混响以及海洋中大量且复杂的杂波干扰，使得水下主动目标识别十分困难。传统的识别处理方法多从特征提取入手，但不可避免地会丢失一部分关键信息，影响识别正确率。上世纪已经有众多专家学者开始将机器学习以及一些浅层神经网络应用于水下目标识别中来，如支持向量机（Support Vector Machine，SVM）、K-最近邻算法（K-Nearest Neighbor，KNN）[1]和BP（BackPropagation）神经网络等，且在被动检测与识别处理方面应用较多[2-3]。一般的处理多为先人工提取一部分特征，之后输入机器学习分类器，可被总结为特征提取、特征选择、设计分类器。2006 年Hinton 等人提出了深度学习的概念[4]，可以解决很多浅层神经网络所不能解决的复杂问题，迅速成为了机器学习领域的热点，近年来发展十分迅速，在计算机视觉、医疗诊断、语音信号处理和文本处理等方面取得了诸多成功[5-6]。在水声工程领域中，已有众多学者将深度学习方法引入到水下目标的探测与识别中来，并取得了一定的成果[7-8]。

卷积神经网络（Convolutional Neural Network，CNN）是一种深度前馈神经网络，为深度学习领域的核心理论之一，目前在图片分类、目标检测、目标分割等相关领域应用广泛且较为成功，具有局部连接、权值共享等优点，擅长处理图像信息。发展至今，研究人员已发明了多种优秀的卷积神经网络结构，如AlexNet[9]（Alex Krizhevsky Network）、VGGNet（Visual Geometry Group Network）、ResNet（Residual Network）等。

主动声呐基阵信号经过波束形成以及匹配滤波处理后，会产生方位-距离图像，图中混响、杂波的亮点区域较为分散，目标的亮点区域则能量较为集中，操作员可利用经验对其加以区分判别。……