声呐是人们目前唯一掌握的能在海洋中展开远距离探测工作的设备,为水下目标物体的探测识别提供了坚实的数据支撑。但受到复杂海洋环境以及声信号在传播过程中存在的各种物理干扰,传统的声呐图像分割研究准确性不高,依赖特定应用环境下的噪声特点。此外,随着声呐设备广泛应用而日益庞大的声呐图像数据库,促使着传统算法改进以满足新时代在处理效率、性能和智能化等方面所提出的新要求。深度学习作为一种新型的高效率,高精度的学习方法,可以有效弥补上述技术局限。根据上述思路,本文首先设计了基于半监督学习的声呐图像分割框架,通过数据增强技术手段,对现有半监督学习模型训练过程进行改进,加强了模型性能,削减了计算开支,在极端情况下只使用40%的有标签数据即可到达50.91的回归准确率（m AP）。本文针对声呐图像常见的海洋噪声设计了相应的抗噪声模块,最后在噪声样本上的训练结果表明,新增的旁瓣噪声生成模块使得该框架拥有的了不错的抗噪鲁棒性,但对于一些数据集中的难例仍无法有效识别。同时,为了解决深度学习标记数据过程昂贵,繁琐耗时的缺点。本文采用主动学习方法进一步提升了深度学习框架对声呐图像的分割精度,降低了样本标注成本,并解决了半监督学习模型收敛后无法识别部分难例的问题,本文将五种基于分类信息或空间信息的主动学习方法集成到Mask RCNN中,设计了声呐图像主动识别框架。通过在收集到的声呐图像数据集上进行实验,本文验证了主动学习技术的引入可以提升模型的识别性能。此外,本文验证了该框架能够帮助实验者使用更少的数据训练,在最好的情况下只使用54%的有标签数据即可训练至接近收敛。最后本文将主动学习框架和前文提到的半监督学习框架相结合,实验结果表明主动学习在与半监督学习模型结合后可以有效帮助模型对难例进行学习掌握,这样训练出的模型性能高于单纯的半监督学习或主动学习。