水声通信是目前最成熟的水下无线通信技术,其在军用与民用领域均有重要应用,国内外非常重视水声通信技术的研究。由于水声信道具有丰富的时变多径、传输信号带宽受限且噪声干扰严重等特点,使得水声通信系统的性能受到了严重影响。如何提高水声通信质量成为一个非常重要的研究课题,本文主要从前导检测和信道分类进行研究。针对前导检测,本文提出了一种基于卷积神经网络算法的检测方法。在水声通信中,前导检测是非常重要的,只有前导信号才能触发接收机工作,进而再对后续接收的有效水声数据进行处理。现有研究表明,复杂的水下多径与干扰是影响前导检测性能的主要原因。大量实验数据显示,在某些情况下,通过时频图分析,人眼可以看到前导信号,但传统检测器却检测不出来;深度学习方法中的卷积神经网络算法通过模拟动物的视觉神经系统进行智能图像识别,善于抓取图像特征,非常适合图像分类,这就激发了我们使用卷积神经网络通过对时频图识别来检测前导信号。实验表明,提出的基于卷积神经网络的前导检测方法具有很高的识别准确率且优于传统方法。对于水声信道分类,传统的水声通信并不进行信道分类,但不同地区不同季节的水声信道具有强烈的差异性。本文根据水声信道对水声通信的影响,拟将水声信道分为两类,一类是随时间急剧变化的信道,另一类是随时间缓慢变化的信道,这种分类方式对于通信数据包长度具有特别的指导意义。本文通过分析水声信道特征引入时变特征参量来对传统时变信道的冲击响应进行改进,根据改进的信道冲击响应获取冲击响应图,再运用卷积神经网络对信道分类;此外,本文还通过计算信道时变相关参数与提出的信道分类方法进行比较,结果表明利用卷积神经网络可以实现更准确的信道分类。为后续进一步完善水声信道分类进而提升水声通信质量奠定基础。