论文结合某预研项目的相关研究计划开展研究工作。引信作为水中兵器的“大脑”,负责对水中兵器周围的目标进行识别、判决,并采取相应的对策。如何实现对目标快速、精确的分类识别,是水下武器设备对目标精准打击的基本条件,一直是国内外研究的热点和难点。基于小样本统计理论的支持向量机(SVM),遵循结构风险最小化原则,具有良好的稳定性、计算有效性和健壮性等特点,能够较好的解决小样本情况下的模式识别问题,成为近年来模式识别分类领域的首选分类器。基于实践应用的需要,论文在介绍水中目标识别现状的基础上,研究了支持向量机的相关基础理论及算法原理,实现了对海上最新实测舰船辐射噪声基于核主元分析法的特征选择与融合,并对目标进行了分类实验,取得了较理想的识别分类结果。论文首先分析了支持向量机在水中目标识别分类中的应用价值,详细综述了统计学理论的核心思想、支持向量机的基本原理以及不同分类面的构造方法,总结了支持向量机在有限的样本识别模型中的优点;分析了目标舰船辐射噪声的基本特性,包括辐射噪声源类型、通过特性和谱特性;分别研究了舰船辐射噪声时域自相关曲线特性、频域双谱特性和时频域的Wigner高阶谱的特性,提取了舰船辐射噪声的时域自相关曲线特征量、频域Welch-1(1/2)维谱特征及时-频域Wigner-1(1/2)谱特征,为构造舰船辐射噪声信号的联合特征奠定了基础;研究了核主元分析法的基本思想和实现方法,采用基于特定数据背景的DDK-KPCA算法选择与融合水中目标的联合特征向量,通过联合特征向量降维降低了运算对系统硬件的要求、提高了软件的运行效率;构造了基于混合核函数的混合数据关联核函数支持向量机模型,利用海上实录的舰船目标辐射噪声对本论文的方法进行了实验仿真,平均识别率达到了85%以上,与BP-NN分类器相比较,得到的分类结果具有更高的识别率和有效性;同时,结合研制任务需求,完成了目标辐射噪声信号预处理硬件设计、制作及测试,并已应用到实际工程项目中。通过论文研究,对该水中目标识别算法进行了实验仿真与验证,取得比较满意的结果,论文的研究结果对工程实践具有参考与指导价值。