近年来随着各国对海洋开发的日益重视,海底目标探测识别逐渐成为研究热点,在军事对抗、海底工程、海底资源开采和海底探测中发挥着重要作用。目前对于海底人工目标的识别已进行了大量研究,但缺少一种通用性强的方法实现不同类别目标的识别,而海底天然目标的识别国内外研究相对较少。深度学习作为近期的热门技术,可以自主学习高层次的特征,实现端到端的训练和识别,将深度学习应用到海洋测绘大数据量的目标识别中,可以避免特征提取丢失信息的问题,从而提升识别效率。本文主要对海底人工目标和天然目标的自动识别进行研究,以人工目标中的飞机、沉船和落水者三类样本和天然目标中的麻坑样本为例,探讨深度学习在海底目标识别中的可行性。对于海底人工目标识别的研究,本文基于侧扫声纳数据集对沉船、飞机和落水者三类目标进行识别研究,通过数据增强扩充了模型训练样本,并使用了一种半合成的方法生成飞机和落水者图像以改善样本类别不均衡的问题。分别采用构建深度神经网络的分类识别方法和基于SSD(Single Shot Multibox Detecor)模型目标检测识别方法进行研究,通过迁移学习的方法加载预训练模型参数进行微调加速模型的收敛,实验结果表明半合成数据能够提升模型识别精度,且基于单目标声纳图像进行分类识别精度高于目标检测的精度,SSD模型识别三类目标总的准确率和召回率均超过90%,获得了较好的识别结果。对于海底天然目标识别的研究,选取麻坑地貌作为研究对象。麻坑数据为南海东南部获取的多波束数据,将数据处理后输出格网数据和高程渲染图。提出了一种半自动的海底麻坑识别方法,通过基于水文分析的初步识别、麻坑特征提取并筛选、剔除虚假麻坑并结合人工辅助判别,获取了研究区内220个麻坑的分类、位置及边界信息,并以此结果作为深度学习模型训练的基础数据。最后将研究区分块后,使用SSD模型对标注的麻坑数据进行端到端的训练和识别,选取两个典型区块验证模型识别的精度,结果表明深度学习能够实现海底麻坑的自动识别但对于较小麻坑以及形态较差的麻坑识别结果较差。将识别方法进行对比分析,基于水文分析的麻坑半自动识别对本研究区的识别结果更优,而深度学习应用到海底麻坑的识别中具有可行性并存在较大的提升空间。