随着现代海洋资源环境的声学探测和调查开发,人类已从最初的认识海洋发展为能够准确掌握海洋状况、提升海洋预测服务能力的阶段。船舶水声信号作为海洋中常见的声波信号之一,其特性引起了大量研究人员的关注。本文针对近海船舶水下信号,从特征提取与分类识别两个方面入手,提出基于改进的噪声自适应完全集合经验模式分解、希尔伯特变换分别与中心频率、排列熵组合的特征提取方法。这两种方法对比表明基于中心频率的方法具有较好的提取效果,然后结合最近邻分类模型进行分类。具体工作有:首先,对目前基于希尔伯特黄变换的信号分解算法进行模拟分析,分别使用不同的改进算法分解仿真信号,结果证明了改进的噪声自适应完全集合经验模式分解方法相较于传统方法有明显改进效果,再结合希尔伯特谱分析验证了改进的方法对信号良好的分析效果。对后面使用该方法处理真实船舶水声信号提供了依据。其次,对一类近海摩托艇信号到多类船舶信号的特征提取方法研究,由简入繁,将改进的希尔伯特黄变换与中心频率、排列熵结合,以便从海洋环境噪声中提取有价值的目标信息。在这种方法中,信号被分离成一系列约100毫秒的样本,并获得一组固有模态函数（IMFs）来进行分析。关于特征参数的选取,本文设计了两种组合方法,一种是根据能量强度排序的IMFs中心频率,另一种是根据能量强度排序的IMFs排列熵。分别将根据能量强度排名前三位的每个IMF的特征参数投射到一个三维空间中,发现相较于排列熵,不同船舶基于中心频率的特征投影区域更加集中。最后,采用K近邻算法来识别不同的海上船舶。研究发现,当随机选择五分之四的样本作为训练集,其余五分之一的样本作为测试集时,所提出的方法可以有效地分辨出三种船舶。在1000次随机测试中,对于100毫秒左右的短时信号和完全未知的船舶类型,总体识别率超过95%,这说明所提出的方法不仅适用于近海船舶的分类和识别,也适用于海洋目标的跟踪。