水声目标被动声纳的自动识别是水声领域中一个重要的研究课题。目标分类一般来说可按两部分进行：一是特征提取，二是模式识别。识别特征提取的好坏对识别来说非常重要。识别谱特征的提取大体可以从三个方面进行：功率谱，线谱和动态特征即俗称的动态谱。大量的工作发现了不少识别特征，其中经研究发现动态特征解决实际工程问题的效果较好。舰船噪声可用时变功率谱和双重功率谱来描述。测量短时傅里叶变换的平方可得到时变功率谱的估计，称为短时谱图，通常用一幅灰度图来显示短时谱图，其中用灰度的深浅表示谱强度，平面上的X轴和Y轴分别表示频率和时间。本文介绍了一种分析时变功率谱的方法——瀑布图，并对其进行分析。 近年来，人工神经网络技术在被动声纳目标的模式识别领域取得了很大的发展。然而训练样本集的不完备性与传统神经网络学习算法的局部收敛性及目标特征提取的缺陷造成了传统神经网络分类器识别率低、难以达到预期目标的缺陷。因此寻找一种新的神经网络学习算法是实现在线学习目标的关键。本文介绍了一种新颖的隐节点可调的变结构径向基函数网络，并应用进化规划最优地确定和调节变结构径向基函数网络隐层节点的数目及其核函数的中心和宽度，从而使网络具有在线学习和记忆新的目标模式的功能。 文章分为两大部分五个章节.第一部分包括一、二、三章，主要分析了系统的特征提取部分的原理及实现。第二部分包括四、五两章，主要介绍了系统模式识别部分的原理及实现。第一章分析了水声目标辐射噪声的调制机理。第二章介绍了局部平稳过程的时变功率谱与双重功率谱的原理与应用，并利用时变功率谱形成瀑布图展开进行介绍。第三章利用图像处理的方法就舰船噪声的瀑布图展开分析，同时分析了各目标的稳定特征线谱的判定及多普勒频移对目标线谱的影响，并据此区分高速运动目标与低速运动目标。第四章介绍了神经网络在模式识别方面的应用，并分析了传统的神经网络分类识别器的优点与不足，介绍了一种新的训练算法——进化算法。第五章介绍了在线学习能力较好、泛化识别率较高的一种新的神经网络——基于进化规划的变结构径向基函数网络，并就其应用效果进行介绍。在对多个目标进行识别的测试中，系统取得了较好识别效果，以此证明了系统的可行性和可靠性。