对自主水下航行器的自动目标识别的研究,是一项具有挑战性的工作。主要是由于声呐数据的噪声特性以及严重的海底混响等原因,其回波信号十分复杂,并混杂着各种随机干扰信号。此外,包含“目标”的声呐图像几乎没有公开数据集,收集足够数量的声呐数据用于水下目标识别研究通常是昂贵、耗时且危险的。因此,声呐图像的目标识别通常是基于少量数据集的目标检测,如何基于少量训练样本来提高深度学习检测模型的准确性,鲁棒性和泛化性是一个值得思考的问题。本文着重于寻找一种可靠的水下小目标声呐图像识别方法。对于水下小目标的声呐图像识别,其数据集较少并且实时性要求较高,本文提出使用先进的物体检测模型Tinyyolo v3,其实时操作速度快,并且通常可以在自主水下航行器的有限硬件资源上运行,但是其识别精度不理想。因此,本文对原始Tiny-yolo v3模型做出进一步改进,以提高模型检测精度。本文的主要研究内容如下:首先,针对声呐数据样本不足的问题,基于有限的真实数据,又构造了部分半合成数据。然后对原始声呐图像数据进行了去噪处理,通过实验对比了几种常用的图像去噪方法,包括邻域均值滤波法、中值滤波法和小波阈值去噪法,得出小波阈值去噪法对声呐图像的去噪处理效果最佳。其次,由于卷积神经网络模型Tiny-yolo v3在声呐图像识别上实时性足够高,但是识别精度不理想。本文对Tiny-yolo v3模型进行改进,在其结构的第四层到第六层中添加了残差网络结构,以更好地提取图像特征。同时,对基于anchor的K-means算法、模型的损失函数以及参数优化方法进行了分析和设计。实验结果证明,改进后的网络模型,对于相对较小的声呐图像数据集,检测精度大大提高,从而证明了应用改进的方法对于Tiny-yolo v3网络结构是有效的。最后,在同样的声呐数据集上,基于改进后的模型,针对是否采用迁移学习策略,进行了一组对比试验。实验结果证明,采用预训练模型初始化网络参数可以大大提升模型的性能,进而证明了迁移学习策略的有效可行性。然后,在采用迁移学习策略的基础上,对不同模型进行了对比试验。实验结果表明,在第四卷积层至第六卷积层中添加残差网络结构,虽然检测速度略有降低,对整个算法的实时性没有特别的影响,确保了改进后的模型在提高精度的同时不会降低检测速度。同时,与添加残差网络结构相比,仅添加卷积核会降低检测精度,而且检测速度相当。实验证明采用迁移学习策略,在第四卷积层至第六卷积层中添加残差网络结构是最佳的选择。