近几年,海洋资源的利用与开采已经逐渐成为国际热议的话题,在海洋环境下,因为电磁波衰减速度快,光的穿透效果不佳,因此,利用声波进行水下的观察是最适合。随着水下声纳技术以及计算机视觉领域的快速发展基于前视声纳的图像分类研究是很重要的。围绕着水下声纳图片视频数据已经开展了各方面的深入研究,对于水下无人设备来说,声纳图像探测与分类是其进行决策优化的重要推演依据。而海洋碎片垃圾也对环境污染造成了很大影响,声纳图像分类有助于捕捞海底碎片垃圾。对水下声纳图像分类的研究,对于水下无人驾驶设备的发展具有重要意义。现有的传统的前视声纳图像分类主要利用模板匹配算法,这是一种在两幅图片之间计算相似性的具体方法。如果有一组标记的模板图像可用,然后通过计算与每个模板图像的相似性,找到最相似的图像,并输出该图像的类别标签,可以对给定的测试图像进行分类。传统算法对于声纳图像这种具有噪声多,对比度低,不易提取图像特征,图像质量较差等因素,而这些因素会造成水下声纳图像分类任务相比传统光学图像分类更具困难。针对水下声纳图像的特点,论文提出了利用深度神经网络（DNNs）来对前视声纳海洋碎片图像进行分类。本文对深度神经网络在海洋碎片前视声纳图像分类问题上的应用进行了综合评价,从准确率与模型复杂度两个角度综合考虑。由于在前视声纳图像数据集中缺少公共海洋碎片数据集,因此本论文采用的数据集为在苏格兰爱丁堡瓦特大学海洋系统实验室的水箱中利用声纳传感器捕获的碎片数据。在这个水箱系统内,用声纳传感器捕获了该数据集的声纳图片。用于捕获数据的声纳传感器是ARIS Explorer3000,这是一种前视声纳,这种声纳也被认为是声学相机。由于水下声纳图像分类任务往往部署在水下无人设备,对于实时性有较高要求,模型的参数不应过大,传统算法不善于解决这种问题。因此本论文基于轻量化卷积神经网络,在其基础上,提出了基于注意力机制的新型轻量化卷积神经网络AT-Squeeze Net并且提出多尺度特征融合的算法,将Squeeze Net的Fire模块进行重新设计。论文首先对前视声纳海洋碎片数据集进行了预处理,图像增广与图像去噪,将小数据集进行扩充以避免过拟合。结合前视声纳海洋碎片图像的特点以及抑制无关细节,提出了基于注意力机制的轻量化卷积神经网络AT-Squeeze Net。为了增加网络的宽度与深度同时减少参数,提出了基于多尺度特征融合的Fire模块。经过实验证明,AT-Squeeze Net与MCATSqueeze Net在前视声纳海洋碎片数据集上的分类表现良好,收敛性能良好,并且满足较高实时的要求。