在复杂海洋环境条件下,海上目标的探测受海杂波的影响较大。海杂波影响因素众多,机理复杂,特征描述难度大,如何有效、准确地将海杂波中的微弱目标检测出来,成为雷达信号处理领域的热点之一。本文对海杂波背景下的微弱信号检测模型进行了深入的研究,为了解决传统预测模型精度不高、效率低下等问题,分别提出了基于改进教学优化算法的海杂波中检测微弱信号的贝叶斯回声状态网络方法和组合支持向量机方法,具体研究内容如下:为了提高回声状态网络的泛化能力,将贝叶斯理论与回声状态网络相结合构成模型主体。由于贝叶斯回声状态网络模型参数的选取存在难度,采用全局搜索能力较强的改进教学优化算法选取最优参数,建立混沌背景下的单步预测模型,通过预测误差幅值的变化判断混沌背景中是否存在微弱信号。分别以Lorenz系统产生的时间序列和实测的海杂波数据作为混沌背景噪声进行实验研究,仿真结果表明,与遗传算法优化后的回声状态网络模型和神经网络模型相比,改进教学优化算法优化后的贝叶斯回声状态网络模型的预测精度和效率更高,能高效检测出混沌背景中的微弱信号,且具有较低的检测门限。为了提高支持向量机对复杂非线性问题的处理能力,结合相空间重构理论,提出了基于改进教学优化算法优化组合支持向量机的微弱信号检测方法。将RBF核函数和多项式核函数线性组合构成组合支持向量机,采用具有强寻优能力的改进教学优化算法对组合支持向量机进行优化,根据得到的最佳模型参数建模、训练和预测。分别以Lorenz系统产生的时间序列和实测海杂波数据作为混沌噪声进行研究,仿真结果表明,组合支持向量机方法能有效地将混沌背景中的微弱信号检测出来,与其他优化后的支持向量机和贝叶斯回声状态网络模型相比,改进教学优化算法优化后的组合支持向量机模型的预测性能更高。通过对改进教学优化算法、回声状态网络、支持向量机理论进行分析,结合相空间重构理论,建立基于改进教学优化算法的海杂波背景中的微弱信号检测模型,对监测海面安全具有重要意义和应用价值。