随着侧扫声纳系统的不断发展,侧扫声纳被广泛应用到各个领域。其快速准确的对水下目标的识别是建立在图像信息提取基础上的。本文基于YellowFin侧扫声纳对特定目标的检测与识别需求开展研究,通过分析侧扫声纳图像的特点,采取人工和非人工配合的方法对特定目标进行特征提取和分类识别。本文首先介绍了侧扫声纳的工作原理和图像特点,并针对YellowFin声纳对其功能和性能指标进行了分析。在其数据信息的提取基础上,采用卷积神经网络的图像识别方法对无人自动识别中粗提取技术进行了研究。本部分借鉴参考LeNet-5识别模型的网络结构,以实现对特定搜索目标的无人识别。对提取的潜在目标图像的图像增强过程中,通过典型的去噪和分割算法对提取的目标图像进行增强与优化。对比了常规的中值滤波、自适应中值滤波和小波去噪的优缺点;研究了阈值迭代的侧扫声纳图像分割算法,并与直方图阈值法和FCM法并进行图像分割效果的比较。在侧扫声纳图像的特征提取和识别部分介绍了边缘检测提取图像特征的算法研究了通过边缘检测的方法提取图像特征,主要介绍了边缘检测中的Sobel算子、拉普拉斯算子、Canny算子。在图像识别部分,介绍SIFT特征匹配识别的算法并对算法进行稳定性和通用性的仿真实验。针对卷积网络获取的粗筛侧扫声纳图像,利用滤波增强、图像分割、边缘提取后特征匹配识别进一步提高了针对侧扫声纳图像识别的准确率。本文根据无人平台搭载YellowFin侧扫声纳搜索特定目标的作业需求,提出了在已知部分目标样本集的训练基础上利用卷积神经网络对侧扫声纳图像目标进行粗筛,以对疑似目标进行快速获取后,利用后期处理进一步增强识别性能的信息处理流程,并进行了模拟目标试验与性能检验,处理结果验证了思路的可行性。