我国海域广阔,海藏资源种类多且蕴藏量丰富,随着科学技术的进步发展,海底资源需要进一步被开发利用,为了充分探测和合理开发海底资源,要不断更新海洋工程探测的技术,和不断完善海洋探测设备和开采设施的研发工作,海底环境复杂多样,海底作业任务从水下设备的安装、使用、维修到开发资源的探勘、钻井、开采等需要一系列高精度的复杂技术,同时传统的光学摄像头难以完成恶劣环境下对目标物的监测、检测和跟踪任务,因此需要水下有缆遥控机器人（Remote Operated Vehicle,ROV）及其艏段携带高精度、小体积、轻量化的声呐装置来完成水下特定监测、检测、轨迹跟踪等使命。要实现对水下目标的实时监视、检测、跟踪,一套完备的水面水下监控系统和声呐目标检测跟踪算法至关重要。首先,对水下作业机器人艏段的控制设备配置声呐,对声呐系统采集的声呐图像加以预处理,并研究直方图均衡（Histogram Equalization,HE）,多尺度Retinex（Multi Scale Retine,MSR）,离散小波（Discrete Wavelet,DWT）,双树复数小波（Double Tree Complex Wavelet,DTCWT）、双树双密度小波（Double Tree Double Density Wavelet,DDDTCWT）,以及模糊增强理论算法等在声呐图像中的降噪和目标强化效果,从而提出一个新的基于双树复数小波和模糊理论的算法,在确保实时性的基础上,使声呐图像与目标物区和背景区域的对比度获得了显著的提高。然后,采用动力定位系统的状态估计方式,构建水下目标动力学模型,并深入研究粒子滤波（Particle Filter,PF）,扩展卡尔曼滤波器（Expanded Kalman Filter,EKF）,无迹卡尔曼滤波器（Unscented Kalman Filter,UKF）,粒子滤波融合扩展卡尔曼滤波器（PF+EKF）,粒子群优化粒子滤波（Particle Swarm Optimization Particle Filtering,PSO-PF）,粒子群优化粒子滤波检测前跟踪（IPSO-PF-Tracking Before Detection,IPSO-PF-TBD）等在状态估计的应用,同时展开跟踪模拟实验,以证明滤波计算技术用于目标追踪的可能性,提出了一种基于粒子群优化粒子滤波检测前跟踪状态估计的新方法,结果表明算法在降低信噪比、快速机动等复杂环境下的目标跟踪具有计算量小、检测微弱目标鲁棒性高的优越性。其次,通过研究深度卷积神经网络（Deep Convolutional Neural Network,DCNN）设计水底目标智能机器识别框架,声呐图像处理任务是一种特殊类型的目标检测任务,声呐系统将通过预处理后所获取的丰富图像信息,通过使用数据强化技术进行二次学习,以掌握水下目标特有特征信息,克服了水下数据集缺失的状况,从而避免过拟合。通过YOLOV3模型进行网络结构的改进和参数修改以适应声呐目标检测对象,引入空洞卷积来增强识别的精确值,对锚框聚类方法采用k-means++,并使用GIOU策略提高声呐图像识别的实时性和鲁棒性。最后,对本文所设计的声呐目标处理系统各个功能模块进行测试,结合具体功能,设计用户一体化声呐图像处理系统。