伴随着人们对海洋资源的重视程度不断加深,海洋资源探测开采、海洋安全维护等方面的需求正在不断加大。作为水下探测常用的传感器,前视声纳不受水下环境条件影响,相对于可见光及红外线在水下传播距离更远、穿透能力更强被越来越广泛的应用。但同时声纳图像存在着对比度差,分辨率低,噪声严重等特点,使得声纳图像中的目标检测跟踪实现难度大,进展缓慢。而深度学习方法具有深层特征挖掘能力强、图像环境适应能力强等特点,相比于传统方法更适合用于对前视声纳进行目标检测跟踪。因此本文针对前视声纳图像,提出了基于深度学习的前视声纳目标检测跟踪方法。具体内容如下:首先,研究了前视声纳图像预处理方法。根据前视声纳数据的存储结构进行了前视声纳图像重建,选用双线性插值对前视声纳图像进行插值,设计了分段非线性的灰度变换算法,并对前视声纳图像进行了伪彩色变换。通过实验,验证了所选算法的可靠性。其次,针对前视声纳图像特点,对应用于前视声纳目标检测算法进行设计。通过设计基于密集连接的特征提取网络、加入特征金字塔网络、设计特征映射结构,构建出适合前视声纳图像特性的窄通道、大深度的目标检测算法,并进行了对比实验,验证了算法在检测准确度和速度上的优势。再次,针对目标检测漏检问题,设计前视声纳目标跟踪算法。选用基于孪生网络的目标跟踪算法进行前视声纳目标跟踪,分别从孪生网络结构、目标预测结构和分层聚合机制三个方面对主流的孪生网络目标跟踪算法进行了研究,并分别从待检测区域选取算法和孪生特征提取网络结构两个方面对基于孪生网络的目标跟踪算法进行了改进。最后,结合前视声纳目标检测与跟踪算法各自的特点,提出了两种算法目标框的融合方法,然后分别针对前视声纳蛙人目标,和前视声纳水下小目标,设立常用的两种目标检测跟踪方案以及本文方案进行对比实验,验证了本文所提出方法的可行性。