实际水下探测中,使用主动声纳对有限长半球头圆柱壳的人工目标在水下所处的姿态方位识别时,声波照射到目标的入射角度是未知的,受到水下环境噪声等因素的影响,目标回波存在干扰和畸变,难以提取能表征不同入射角度目标回波的特征。随着水声技术的不断进展,观测数据也随之迅速增长,利用现有的水声观测数据,实现对目标在水下的姿态识别,是一个亟待解决的问题。当发射信号的脉冲宽度大于相邻两个散射回波成分之间的时延,目标的各散射回波成分在时域和频域上产生严重混叠现象,时域波形和频谱结构难以作为识别不同入射角度下的回波特征。依据散射回波的形成机理与信号特性,分析目标回波中各声散射成分,采用Wigner-Ville分布以及分数阶Fourier变换两种时频分析方法,提取目标回波的WVD时频图像特征和最佳分数阶域上的时序结构特征。WVD时频图像中存在较严重的交叉项干扰,难以根据图像信息统计回波中亮点数量、亮点强度等供传统模式识别分类器判决的有效特征,而现有的去除交叉项方法通常会造成时频分辨率的下降,导致特征信息的丢失。采用两种深度卷积神经网络(Alexnet和Resnet),构建深层网络结构,通过多层网络的迭代,学习入射角度与回波WVD时频图像的映射关系,克服了以往模式识别算法在高维数据特征表征能力的不足。结果显示,相比于WVD-Alexnet模型,WVD-Resnet模型取得了更高的识别率,且有效避免了过拟合现象的产生。最佳分数阶域下的时序结构特征存在维度较高的问题,采用传统的降维处理同样会导致特征信息的丢失,且不同角度下的时序结构特征中,对弹性散射回波间的时延研究缺乏明确函数关系的量化标准。利用递归神经网络中的长短期记忆神经网络(LSTMs),可以将时间序列信息间的特征保存在网络的隐藏状态中,学习复杂的函数映射关系,完成对序列信号的动态建模。分析并推导了两种深度神经网络的结构组成和训练过程,以及模型各项参数和优化算法的选择,构建水下目标回波角度识别模型,实现对不同角度回波的分类识别。与采用时域波形和频谱结构作为输入特征的模型进行对比,本文提出的WVD-Resnet和FRFT-LSTMs两种深度神经网络模型在各项评估指标中均具有显著优势,验证了本文提出的方法的有效性。