论文的研究工作来源于某项目课题“XXXX基础研究”项目,主要是利用已有的水下目标特征提取和识别方法,并且采用基于支持向量机方法进行壳体目标和石头的识别分类,以提高对水下目标的识别率。本文的研究方法是利用水下目标的回波特性来作出识别。具体地说,就是由主动声纳向待识别的水下目标发射信号,并且从回波当中提取出水下目标的有效特征信息,再将特征信息送入分类器进行识别分类。本论文主要进行了以下工作:1.综述了水下目标识别的背景和意义,以及国内外对水下目标的探测和识别的方法和研究现状。2.特征提取的过程是把采集到的壳体目标和石头的回波信号变换到不同的特征空间,提取出反映样本本质特征的特征向量,并将特征向量送到分类器中。为了研究不同特征提取方法的性能,本文采用了四种特征提取方法,即小波包能量特征提取、常数Q滤波子带能量特征提取、双谱能量特征提取和主成分分析特征提取。然后对壳体目标和石头所提取的有效特征,利用K-L变换对其进行可分性判决,以分别判断四种特征提取方法的有效性。3.叙述了统计学习理论和支持向量机理论。基于统计学习理论的支持向量机算法具有坚实的数学理论基础和严格的理论分析,有效地提高了算法泛化能力。而核函数的成功运用使大多数不可分的低维空间映射到高维空间后变为可分,并且有效的消除了维数灾难这个缺点。4.叙述了支持向量机的SMO等三种算法并设计了三种分类器。5.运用四种方法分别对吊放目标测量数据、掩埋定点测量数据和掩埋扫描测量数据进行特征提取,再将特征提取结果送入三种分类器,以比较分类器的识别分类性能。目前,支持向量机方法的应用还在不断的完善,以便在更广泛的领域中得到应用。本文中支持向量机方法的应用及其性能的优越性,对水下目标识别的研究具有重要的意义。