水声目标识别技术是水声研究领域相对前沿的课题之一,在未来军事和民用方面都发挥着潜在作用,因此,开展水声目标识别技术的相关工作有一定的应用价值。传统的机器学习方法需要进行人工特征设计,为了克服传统方法的弊端和缺陷,本文提出一种基于深度学习的水声目标识别方法,利用深度学习的自我优化能力、适应性强等优势对水声信号进行分类识别。首先,对水声信号数据进行预处理,通过去除空白段、去噪、增幅等方法,减小提取水声信号特征的难度,将原始数据集进行分割,增大数据量,构建具有普适性的适用于深度学习网络的水声信号数据集。其次,研究特征融合对信号识别精度的影响。对水声信号提取声目标识别技术中常见的梅尔频谱、梅尔频谱倒谱系数,利用光谱对比度、色谱图、调性网络三种特征研究水声信号的频率分布及频率成分关系。通过与原始信号作为输入的情况进行对比,验证特征提取的必要性,对单一特征输入与融合特征输入情况下网络的目标识别准确度进行对比分析。第三,对传统的识别网络进行改进,将卷积神经网络与长短时记忆网络进行串行融合,在此基础上,研究不同输入情况下网络的识别效果,验证网络的普适性,并将单一网络和联合网络对水声信号的分类识别效果进行了对比分析。研究表明,本文所提出的特征融合可以全面有效地提取水声信号的特征,所采用的联合网络在各项识别指标中相比于传统网络均有了很大提高,且网络具有很强的鲁棒性。