水面目标识别技术一直是水声领域的研究重点,但由于声场环境复杂,试验数据难获取,特征提取有难度等问题,导致水面目标的识别结果仍未达到预想的效果,所以在保持较高的识别率下如何快速的识别出目标类别仍是水面目标识别技术的难题。听觉特征模拟了人耳的听觉原理,即人在嘈杂的环境中仍能分辨出声音类别的这一特点,可以将听觉特征作为水面目标的特征。在没有已知标签的数据条件下,开展基于无监督学习的神经网络对水面目标分类研究是非常有必要的。在基于有监督学习的目标识别方法中,随着深度学习在各个领域内的广泛应用,将深度学习的方法引入水声领域,在不需要提前提取特征的情况下实现水面目标识别。本文主要对矢量声纳接收到的数据进行处理,通过听觉特征和基于无监督学习的神经网络相结合的方法实现对水面目标的分类,以及基于深度学习的神经网络实现对水面目标的识别。基于此,本文首先研究了听觉域特征提取的相关方法,结合矢量信号的理论,对试验数据进行了矢量信号的听觉域特征提取,并对试验结果进行分析。构建三种基于无监督学习的竞争型神经网络,结合提取的听觉特征对水面目标进行分类,通过模型参数评价标准对三种网络模型进行评估,并讨论不同网络模型以及网络参数对识别率的影响。最后,构建几种基于深度学习、在时间递归方式上采用权值共享方式的神经网络模型,通过对试验数据的处理,对模型进行评估并对不同网络模型和网络参数对识别率的影响进行分析。