水下声纳图像是水下信息的主要来源之一，是现今水下目标识别的主要手段。水下声纳图像分类的研究是海洋探索与利用的前提，因此水下声纳图像分类的研究在海洋探索和海洋装备发展领域都有重要的研究意义。提高水下声纳图像的分类精度，以及更好地适应水下数据不均衡的情况，都是水下声纳图像分类研究的要点。
　　传统水下声纳图像因为其成像原理不与光学图像相同，同时加之水下噪声和机械噪声的影响，成像质量较差，影响了水下声纳图像的特征提取。深度学习尤其是深度卷积神经网络在近年证明了其无与伦比的特征提取能力，因此，在水下声纳图像数据集上应用深度卷积技术十分必要。根据上述水下声纳图像数据集的特点，水下声纳图像分类方法需要满足无监督分类的条件以及适应数据不均衡的情况，进而契合了无监督领域自适应方法。在研究相关理论和方法后，在水下声纳图像数据集上进行了深度迁移学习无监督分类以及深度聚类网络的实验。实验采用了两种生成对抗网络来生成源域数据集，并设置了均衡和非均衡两种原生水下声纳图像数据集。实验结果表明，迁移学习能够较好地减轻数据不均衡的影响，而在无监督分类中利用类别信息会提高分类精度。因此，在上述基础上，论文提出一种基于类意识的无监督领域自适应方法(Adversarial Auto-encoder with Class-Consensus for Unsupervised Domain Adaptation, ACUDA)用于水下声纳图像的无监督分类。通过构建训练完好的源域，通过对抗自编码器和卷积提取到域不变的特征，结合对抗学习的判别器，实现了类别信息嵌入到无监督分类的过程中。因此，ACUDA实现了无论在均衡还是非均衡数据集上，保证了水下声纳图像无监督分类的正确率。
　　实验通过混淆矩阵来评价实验结果，客观有效地证明了ACUDA的有效性。同时，提供了ACUDA的稳定性理论证明，并通过稳定性与泛化的关系，推导出ACUDA的泛化上界。根据泛化界和领域自适应的泛化界的关系，对ACUDA的领域自适应泛化上界同样给出了理论证明以及优化目标。最终证明了所提出的ACUDA具有明确的领域自适应泛化上界。