声是信息交互的重要载体，声学目标检测及分类研究是具有重要现实意义研究领域。它的研究基础涉及声学理论、统计信号处理、检测判决理论、统计学习、人工智能、神经计算及现代优化理论等多学科领域。随着社会信息化进程的不断深入，无线传感技术的逐渐普及，声学目标检测与分类研究愈来愈受到研究人员的广泛关注。　　 论文的研究工作以声学目标的检测与分类为目的，通过灵活运用‘信息熵’的分析标准，对声学目标检测分类技术中的信号分析技术，目标特征提取，声学信号分类理论等问题进行较为深入的探讨。　　 论文的主要工作和创新点如下：　　 ●针对声源目标分类分析中训练样本集分类特征优化选择问题，改进了基于Kullback-Leiber距离的样本可分度准则，并得到有效验证。在此基础上定义了空间分布信息度量参数，即欧氏距离分布熵(DistributionEntropyofEuclidianDistanceDEED)，提出了“类间互欧氏距离分布熵”(Between-ClassDEED)与“类内自欧氏距离分布熵”(Within-ClassDEED)的分析方法。进一步将其用于样本可分性分析，验证了两者比值愈大，特征样本集可分度愈好这一结论。同时给出了它的计算方法。　　 ●针对声源目标信号分带优化问题，提出功率谱加权熵最大分带分析方法。该方法在限定分带数目的条件下，以加权熵最大为优化目标，获得信号在频域的信息量最大的分带边界。以此为基础，建立了功率谱加权熵最大分析模型，同时给出其实现算法。进而，依据功率谱加权熵最大的原则，提出功率谱加权熵最大分带倒谱系数分类特征，设计了以线性分类距离为优化标准的权系数学习算法，在声源目标识别的应用中取得了较好的效果。　　 ●利用多种信号特征量分析及提取技术，对声源目标进行了分析，如Fourier谱估计，自回归参数谱估计、小波分析、高阶分析等，在此基础上提出了高阶谱熵等多种目标特征检测参数，获得了良好的声源目标远距离检测效果。　　 论文在对上述主要内容进行论证分析过程中，始终以典型W、T类声源目标作为分析对象，方法上注意归纳与演绎并重，力图实现理论与实践紧密结合，使论文研究在对实际工作具有指导意义的同时，能给其它类似或相关研究带来一些借鉴。