水下声呐图像分割是海洋战略中最具有挑战性的研究方向之一。由于水下声呐图像中存在大量非目标、阴影以及噪声的影响,水下声呐图像质量普遍较低,导致水下声呐图像的分割准确率低,因此水下声呐图像相较于光学图像需要特殊的处理方式。水下声呐图像的处理过程一般分为预处理、分割、特征提取和分类四个步骤。准确地分割出图像中的目标区域是图像处理的关键步骤,也是后续目标识别的必要过程。目前在水下声呐图像分割上,传统的分割方法应用较多。近些年深度学习在图像领域快速发展,相比于传统方法,深度学习不需要做大量的特定领域知识的特征提取,同时又可以提取深层抽象特征。因此,深度学习在图像分割领域的研究也逐渐成为热点。目前的深度学习算法对图像处理领域产生了巨大影响,但由于水下声呐图像数据集缺失,将深度学习应用在水下声呐图像处理时容易存在严重过拟合,泛化性能较差,分割结果常常伴有分割轮廓不清晰,边缘细节信息缺失等问题。针对上述问题,本文所做研究工作如下:首先,针对目前水下声呐图像数据集缺失,根据水下声呐图像成像原理,创建一个水下声呐图像分割数据集,其中包括合成声呐数据集与真实声呐数据集。合成声呐数据集制作包含海底沉船、海底坠机、溺水者3类目标共1200张,真实数据集包含海底沉船、海底坠机、溺水者3类目标共424张。在训练时通过一定程度的随机旋转、平移、缩放、裁剪、填充、翻转等增加数据集下的不同角度的观察结果。实验结果表明,使用本文所制作的数据集训练得到的结果表现良好,表明本文制作的数据集的有效性。然后,针对水下声呐图像存在目标分辨率低、强噪声的问题,设计了一种深度学习图像分割框架,预处理阶段融合Deep CNN for Image Denoising（Dn CNN）算法辅助分割提高网络对于目标分割的感知能力;针对声呐图像需要分割的目标和背景的区分度不明显的问题,引入群感受野模块,通过稠密的连接策略来保存不同的特征层信息;引入注意力搜索函数突出特征图初始区域,提高图像分割的边缘细节。实验结果表明,本文所提出的方法能够有效提高分割精度,保留更多声呐图像细节信息。同时,相比于其他常见分割方法,本文方法在网络性能上也具有一定优势。最后,基于上述所提出的算法基础上,引入了卷积注意力模块。鉴于声呐数据集相比于公共数据集存在样本较少、样本不均衡的问题,通过尝试引入Dice损失函数替换交叉熵损失函数,以评价指标的优化方向作为优化目标,提高分割精度,鉴于使用Dice损失函数不利于反向传播且真实数据集与合成数据集存在一定差异,所以此部分实验只在真实数据集上进行训练。实验表明,卷积注意力模块在不降低模型网络性能的同时,能够对图像分割精度进一步提升,提高边缘分割精度;当引入Dice损失函数时,基于群感受野的卷积注意力机制的分割算法相比于其他算法结构能够相对较好的收敛并实现较高精度的分割。