水下声呐图像目标分类是海洋战略中最具有挑战性的研究方向之一。由于大量非目标、阴影以及噪声的影响,水下声呐图像普遍分辨率低,导致水下声呐图像的识别与分类准确率低。AdaBoost算法是常用的机器学习分类算法,可以根据不同的环境,设计特征提取算法和弱分类器来训练模型,这种方法处理问题具有针对性,但是泛化性差,在实际应用中局限较大。卷积神经网络针对大型数据体现出优越性,且不需要信息预设,但应用到数据量较少的声呐图像数据集上时,往往表现不佳。针对上述问题,本文所做研究工作如下:(1)针对目前声呐图像分类数据完整性差,且不能直接用于图像分类的情况,使用数据增强算法,制作了带有类别标签且尺寸一致的声呐图像分类数据集。根据声呐图像的成像特征,利用仿射、旋转和缩放模拟声呐成像方位的不同;利用通道分离算法模拟水下光的折射对成像的影响;添加不同的噪声类型来模拟水下的噪声环境;而滤波处理能够模仿图像特征的缺失。使用本章所制作的数据集训练得到的分类器表现良好,表明本章制作的数据集可有效的进行模型验证。(2)针对水下目标分辨率低、噪声多和精度低的问题,提出了一种改进的AdaBoost级联分类算法。首先利用方向梯度直方图算法获取输入图像的直方图特征,之后构造一个包含多个支持向量机的级联框架,并利用提取到的特征和数据集给定的标签,对该分类器进行训练。同时设计了级联框架中新的样本权值更新函数,根据分类精度的不同,给予元分类器相应的分类表决权。设置新的迭代规则,当元分类器获得最佳分类精度时,结束训练。最后引入随机梯度下降算法,更新模型参数,确保损失函数在训练过程中逐步收敛。在MNIST,Cifar-10以及我们手动制作声呐图像数据集上的实验结果表明,该分类算法能够有效实现低分辨率、高噪声干扰情况下的图像分类。(3)针对水下声呐图像分类数据集样本少,且不适用于深度卷积神经网络的问题,提出了一个基于特征激励模块的卷积神经网络。首先,使用深度可分离卷积减少网络参数量,不同于传统卷积,对输入的每个通道进行独立的空间卷积和点卷积。之后,利用特征激励模块挖掘输入图像特征,提取出对分类影响较大的特征通道,从而使来自输入图像的特征得到最大化的利用。在不同数据集上实验结果表明,特征激励卷积神经网络的精度高于多个用于分类的神经网络,实现了少量样本的有效分类。