侧扫声纳作为一种有效的水下探测工具,目前已被广泛应用于水下目标探测、海底管道跟踪以及海洋调查等任务。针对侧扫声纳图像具有对比度低、噪声污染重等特点,各国学者已经提出了多种侧扫声纳图像的预处理方法和分割方法,以满足侧扫声纳图像在分割精度与分割速度两方面的要求,但通常很难两方面都达到最佳。本文研究了多种侧扫声纳图像预处理算法和模糊聚类算法,以期在提高图像分割精度的同时,尽可能加快图像的分割速度,并利用两种不同类型的神经网络分类器进行侧扫声纳图像海底底质分类。本文的主要研究内容可分为以下三个部分:(1)侧扫声纳图像去噪及增强方法研究。通过对包括传统去噪方法在内的七种去噪算法进行研究,提出了一种结合维纳滤波的BEMD侧扫声纳图像去噪算法,利用去噪试验,对比分析每种去噪算法的去噪效果。在侧扫声纳图像增强方面,研究了三种比较常用的增强算法,并通过试验,分析每种算法的优劣。(2)基于模糊聚类的侧扫声纳图像分割方法研究。首先介绍了模糊聚类分析、K-均值聚类、模糊C均值(FCM)聚类以及结合空间信息的FCM算法,深入研究了这几种算法的特点;然后,分别从结合图像的纹理信息和空间信息两个方面提出改进的FCM算法,以提高算法的抗噪性和分割速度。最后,通过分割试验,对比分析每种分割算法的优劣,验证所提算法的适用性。(3)海底底质分类方法研究。首先,利用(1)(2)所提出的预处理方法和分割方法对四种底质图像进行处理;然后,通过灰度共生矩阵提取海底图像的纹理信息,并进行主成分分析;最后,分别利用BP神经网络和自组织竞争神经网络进行海底底质分类试验。