随着科技发展和资源的需求,水下探测目标识别技术变得尤为重要。依靠人工在水下进行勘探或者打捞时,潜水员可能会由于判断失误,导致水下作业的失误甚至承担巨大的风险。人工的水下探测存在以下问题:一方面水下信号无线传输会随着水的折射衰减等严重干扰,水下远距离传输存在较大的干扰,容易造成传输失效,而目前较多的依靠网口进行传输的声纳则存在成本高,距离近的缺点。另一方面声波在水下进行探测传输成像后存在较大的噪声干扰,人工的检测需要丰富的经验,且人工的下水探测也存在较大的风险。水下自动检测技术大大降低了这些风险,而且未来的发展趋势将是水下机器人携带声纳系统在水底自动检测作业,这也减少人工的识别由于经验不足而造成的判断失误。故水下目标自动检测技术成为了目前主要的解决方案。水下无人自主平台自动检测技术存在两个主要的难点:声纳在水下工作时,由于声纳扫描具有实时性,故存在大量的待检测数据图像,导致检测时间较长,无法实现实时检测;声学图像显示的目标为声纳根据接收的声波能量强弱而返回的图像,其视觉效果区别于光学图像,而且不同的水下环境下可能存在不同的噪声干扰,导致声纳识别方法进行识别图像时识别准确率低。针对以上难点,本文将引入深度学习技术,从检测模型复杂度和检测准确度两个方面进行改进优化以改善传统的声纳目标检测方法检测准确度低、鲁棒性差、智能化程度低、复杂度高的缺点。使声纳目标检测方法达到理想的检测效果,实现实时准确的检测目标。本文的工作和成果如下:（1）构建完成水下声纳图像数据集。本论文针对声纳图像难以获取采集成本高的问题。依靠实验室自制声纳设备选择多地进行实验,根据不同探测尺度对与研究目标具有共同特性的物体目标进行探测。通过视频抽帧、插值算法进行处理,利用基于迁移学习与卷积神经网络算法实现标签的自动标注,并且人工加以矫正。针对水下检测时背景噪声的干扰以及信号强度较弱导致图像显示质量差,采用合适的数据增强方案,实现声纳图像数据集的扩增,构建完成声纳图像目标的数据集。实现深度学习需要充足训练数据的需求,为深度学习的应用奠定了基础。（2）实现YOLOV5模型应用于彩色成像声纳目标检测领域。基于多种经典目标检测方法应用于声纳图像目标检测,通过实验对比实现多种方法在声学图像领域的性能比较,综合分析选择性能最优的YOLOV5网络为基础算法。通过模型的结构分析检测性能,最后作者将YOLOV5应用于声纳图像数据集进行训练,然而检测结果存在较大的问题,故为下一部分的优化奠定基础。（3）针对原始算法运用于声纳图像目标检测领域存在的问题,及目前水下机器人对检测方法的需求,本文将深度学习引入水下声纳图像目标检测,以YOLOV5网络为主体,提出了一种RFB-SA-YOLOV5s的声纳图像目标检测方法。基于构建完成的声纳图像数据目标分布的特点,优化声纳图像目标初始锚框的生成方案。在主干网络加入结合注意力与高感受野网络的RFB-SANet。在特征金字塔网络中添加注意力网络,将输入端与输出端进行特征融合,使得网络提高增强全局信息的提取能力,同时兼顾小目标信息的关注能力。并且结合Xception算法的思想将深度可分离卷积代替部分普通卷积,在几乎不影响模型精度的情况下进一步轻量化。该声纳图像目标检测方法具有模型小、检测速度快、检测精度高的优点。最终实现应用于声纳图像目标的实时准确检测算法。实验表明本文的RFB-SA-YOLOV5s在彩色成像声纳的检测任务中m AP（mean Average Precision）为97.8%,相比于与原网络提高了3.8%。模型的权重文件为11.9M,相对于原网络压缩了17%,每张图片的检测速度为0.016s,满足了水下机器人进行水下目标实时检测方法的需求。