准确、快速的声呐图像分割方法符合海洋开发和军事发展的需求。声呐图像分割的目的是在尽量不损失图像信息的前提下,以一定的规则将像素点分类,把声呐图像,分化成有价值的区域。因为成像的特别性,导致图像普遍质量不高,单一尺度的声呐图像分割方法往往存在多方面的不足。声呐图像分割的方法了研究和发展十几年,众多数学理论和应用方法相继应用于声呐图像分割。在声呐图像分割的众多方法中,变分法由于建模过程比较容易、方法的扩展性较好、实现过程简单,应用十分广泛。变分法在声呐图像分割的应用领域与发展仍然具有较大的科研与应用价值。滤波是声呐图像分割的前提,分割是声呐图像处理中的关键一步,滤波的结果对声呐图像的分割的结果影响极大,因为分割的精准度十分影响目标物体的判别,所以对于声呐图像的滤波及分割具有极高的研究价值。本文主要研究内容是变分法在声呐图像滤波与分割中的应用:(1)经典的滤波方法包括Lee滤波、Wiener滤波、中值滤波等,但是这些方法在去除噪声的同时会模糊边缘细节信息。基于主成分分析(Principal Component Analysis,PCA)与改进的L1范数正则化自适应全变分噪声抑制模型相结合的方式,可以提取到声呐图像更多的特征信息,并且有成熟算法可以优化最小化泛函,因此本文运用基于改进的L1范数自适应全变分模型相比较于传统变分模型可以很大程度保留边缘信息,噪声去除后相比经典声呐图像滤波方法有更好的峰值信噪比(PSNR)和结构相似度(SSIM)。验证了本文方法的正确性。(2)在对声呐图像进行滤波后可以进行目标检测与分割,经典的分割模型包括Canny算子、Otsu算子、Log算子等,变分模型有Snake模型、GVF模型、Mumford-Shah模型、C-V模型等,因此本文在C-V模型的基础上提出基于变分法改进的双曲线活动轮廓模型(Hyperbolic active contour model,H-C-V模型),其次,将水平集函数方法应用到模型中,这样模型在分割过程能够连续,也可以适应拓扑变化。最后,为了提升曲线演化的速度,论文采用窄带方法使活动曲线能够快速演化。该模型可以很大程度保留边缘信息,噪声去除后相比经典声呐图像分割模型得到更好分割效果。通过实验证明,使用该模型方法分割图像,其鲁棒性较好,同时分割速度也较快。对于小尺寸目标应用了基于改进的边缘方向性变分模型进行边缘提取。通过分析实验结果可知,该模型针对目标可以有效的进行分割处理,同时分割结果较为理想。