智能水声目标识别是水声领域的重要研究方向和技术难题,对于海洋强国战略实施和深海资源开发都具有重要意义。相关技术研究主要基于两方面开展,一是特征提取与优化,二是识别模型构建。传统识别方法中,多采用单一特征或简单的串、并联组合,不能很好对目标特性进行准确描述;算法理论也多基于概率框架,缺少对样本数据中不确定信息的度量和处理。针对传统方法的局限,本文提出了一种新的基于多域特征组合优化与证据分类的智能水声目标识别方法。论文主要内容和创新点如下:(1)针对强噪声环境下水声目标信号微弱的问题,分别研究了基于子空间变换的加性噪声去除和基于同态滤波的卷积噪声去除算法。此两类噪声抑制技术相互结合,实现了目标信号的增强和干扰信息的去除,解决了远距离探测时水声目标信号通常被海洋环境噪声所堙没的问题。(2)针对单一特征难以全面描述水声目标特性的问题,提出了多域特征的提取与选择方法。提取目标信号的时域波形结构、小波包分解能量、MFCC和PLP听觉谱四类不同特征,实现了对目标本质特性的全面、准确表征。针对串联组合会较大增加特征维数,而并联组合会引入干扰特征信息的问题,研究了基于典型相关分析的特征融合算法,实现了多域特征的有效组合,解决了智能识别中目标特性难以准确表征的问题。针对组合特征存在与分类无关的冗余信息问题,提出了置信函数特征子集选择算法,实现了组合特征的优化。基于水声目标实测信号识别分析时,新算法所得优化特征与初始组合特征相比,分类时间可缩短1~3秒,识别率可提升5个百分点,有效解决了冗余特征信息对分类性能造成干扰的问题。(3)针对证据近邻分类易受噪声和特殊样本影响的问题,提出了新的NEK-NN分类算法。构建了“Dempster+PCR5”复合规则,使用Dempster对同类别近邻证据进行快速组合,实现了融合效率的提升;使用PCR5对不同类别证据进行组合,实现了类别冲突信息的精确分派。NEK-NN还根据各类样本数目设定近邻证据的权重系数,实现了对特殊样本和类别冲突信息的有效抑制,解决了海洋环境复杂多变导致识别信息富含不确定性的问题。(4)针对传统水声目标识别算法不能有效处理不确定信息的问题,提出了一种基于NEK-NN的水声目标识别算法。通过NEK-NN构造各目标数据的全局mass函数,实现了对其类别属性和不确定性的准确度量。将不确定信息所占比重较小(小于0.5)的样本数据判别给拥有最大置信度的类别,并添加到相应训练样本库中,实现了水声目标样本数据的不断丰富。不确定信息所占比重较大的样本数据,可根据与更新后各类别中心的距离进行判定,避免了不确定信息的干扰,实现了识别准确率的提升。新算法突破了传统识别算法的理论局限,并基于证据框架进行分类识别,在一定程度上解决了水声目标样本数据匮乏且富含不确定性信息的问题。(5)针对水声目标训练样本缺失但目标类别数目已知的识别问题,提出了新的TRANE识别算法。TRANE实现了NEK-NN与ECM算法的优势互补和目标数据识别正确率的进一步提升,在水声目标实测数据的验证分析中,能比传统识别算法的识别正确率高出10个百分点,在一定程度上解决了无训练样本却对准确率有极高要求的识别问题。针对水声目标训练样本缺失且目标类别数目未知的识别问题,又提出了一种自适应证据聚类识别算法。随机给定各分类对象的初始置信度和类别数目,通过提出的NEK-NN规则对目标数据类别属性和类别数目进行循环更新,直至不再改变,实现了水声目标数据的完全自适应聚类。测试样本充足(数目大于1000)时,聚类识别正确率通常可以到达90%以上,测试样本贫乏(数目不足100)时,正确率仍能保持在80%,解决了无任何先验知识的水声目标识别问题。