在目标识别领域,水下低速运动小目标由于声纳图像像素点少、易受背景噪声干扰等特性导致其识别率较低。高分辨率声纳成像设备生成的水声视频图像保留了小目标的时序细节,融合目标运动信息的深度学习识别方法能够提高目标识别率。本文以水下低速运动小目标为研究对象,分析其识别精度低的原因以及提升识别精度的可能性,基于深度学习目标识别网络,研究一种融合运动信息后处理的水下低速运动小目标图像识别方法。在水声图像预处理方面,对原始声纳图像进行去噪及尺寸调整;在网络设计方面,分析YOLO目标识别网络特性,结合课题需求,选择YOLOv3作为基础网络并对其改进,针对小样本特征不足的问题,设计数据增加方法,针对小目标特征提取及特征强化问题,建立新的特征提取网络及特征强化网络,同时优化网络参数,改进损失函数与后处理算法;在算法优化方面,针对单帧识别方法存在的误检与漏检问题,分析连续多帧图像中每类目标的运动信息,提取运动特征并设计优化方法,将其融入改进的YOLO网络,设计一种融合目标运动信息后处理的多帧识别方法;本文以AP、m AP指标评估识别精度,以IOU指标评估定位精度,以FPS指标评估运行速率。通过仿真测试,本文研究的水下低速运动小目标图像识别方法可靠有效,无噪声测试集测试单帧识别方法,识别精度达到86.9229%,每类目标都存在一定的误检与漏检,识别速率达到34.1FPS,有噪声的测试集测试单帧识别方法,随着噪声增大,识别精度呈下降趋势,噪声方差0.1时,目标识别精度达到65.3802%;无噪声测试集测试多帧识别方法中的Seq-Bbox-M后处理方法,每类目标的识别精度大于0.9,每类目标的定位精度大于0.94,模型整体的识别精度为0.9436,整体的定位精度为0.9573,误检与漏检大大减少,模型性能良好。最后,将该方法移植到嵌入式平台Jetson TX2,开发水下低速运动小目标识别系统。