水声目标识别是现代海战中的关键技术之一,是水声设备与武器系统智能化的重要标志,具有重要的军事应用价值。然而,海洋环境的复杂性及多变性对水声目标系别系统的稳定性产生了严重的影响,直接导致识别系统性能下降。在水声目标识别领域,特征提取与分类识别是两个至关重要的核心技术。因此,选取鲁棒性好的特征提取以及分类识别方法是水声目标识别领域的重要研究内容之一,具有重要的实用意义。本文从水声目标辐射噪声的特性出发,详细介绍了水声目标分类识别的基本原理,并重点研究了水声目标特征提取方法以及分类器的设计与选择方法。在特征提取方面,本文主要研究了基于听觉特征的水声目标特征提取方法以及基于希尔伯特-黄变换的水声目标特征提取方法。从模拟声呐兵的听觉感知机理出发,本文首先研究了基于Mel频率倒谱系数的特征提取方法。随后针对该算法存在鲁棒性较差的问题,进一步提出了基于Gammatone频率倒谱系数的特征提取方法以及基于Gammatone滤波器组与子带瞬时频率的特征提取方法。由于希尔伯特-黄变换在分析和处理非平稳性信号中的独特优势,本文将希尔伯特-黄变换应用到水声目标特征提取中,提出了基于希尔伯特边际谱的水声目标特征提取方法。利用上述方法对实测舰船辐射噪声数据进行特征提取,实验结果表明了本文特征提取方法的有效性。在分类识别方面,本文主要研究了BP神经网络以及支持向量机两种分类器模型,详细介绍了它们的基本原理以及算法实现,给出了相应的参数选择方法,并对两种分类器的优缺点进行了对比分析,给出了两种分类器的适用条件。随后采用BP神经网络和支持向量机对实测舰船辐射噪声数据开展了识别实验,实验结果进一步验证了本文采用的特征提取方法和分类器模型的有效性。最后对四种特征提取方法在不同信噪比下的识别结果进行了比较与分析,识别结果表明本文提出的特征提取方法能够有效地提升水声目标识别系统的性能,具有较强的鲁棒性。