随着近年来各国对海洋开发的日益重视,在军事对抗、保卫海防和民用能源开发、海底探测等方面的巨大利益,水下目标识别技术越来越多地成为研究热点。本文基于深度学习的水下目标识别研究有重要的意义。水下目标识别是以声呐(sonar)收集的信号为基础,经过后续的处理之后,生成水声图像,对图像进行识别的过程。水下目标识别有着广泛的应用前景,所以世界上许多的国家都在这一领域投入了大量的研究,以在这一领域抢占制高点。深度学习是一种特殊的神经网络,即有输入层、输出层和多个隐含层的网络,属于机器学习的一个子领域。主要的原理是将训练的数据,进入了输入层之后,经过多个隐含层的处理,经过大量的训练,以将输入的某些特征提取出来,并运用这个模型在实际中进行分类或者预测。传统的方法在水下目标识别中存在几个问题,如处理速度慢,识别率不高等。针对以上问题,提出新的卷积神经网络模型DCNN。在DCNN中,对以往的模型进行了改进,将激活函数设置成maxout,池化方法选择随机池化方法。并运用局部响应归一化、DropConnect设计及扩充数据集三个方法来减少过拟合的发生。针对水下图像存在着模糊的问题,对水下图像进行预处理。预处理中对几类去噪方法进行比较,提出新的阈值去噪方法,用实验仿真有较高的信噪比。在实验中,为使识别准确率进一步提升,对DCNN中的参数比如学习率、batch以及momentum冲量进行优化。实验结果表明,DCNN在水下目标识别的应用中,有较高的准确率。