随着水下快速目标的出现,由于其小,快,灵的特点,水下快速目标逐渐成为一种水下的重要武器。而水下的环境日益复杂,传统的方法很难有很好的识别效果,所以更好的识别水下快速目标对保护海洋权益而言是一项新兴的重要任务。信息融合通过结合多传感器的数据提高对目标识别的准确率,在本文的背景下,通过融合多声呐测得的信号达到提高水下快速目标识别准确率的目的。本文使用加权特征融合对多传感器数据进行融合。本文主要研究了以下几方面内容:首先提出一种改进的基于去冗余的Relief F特征选择方法。因为水下环境的复杂,所以要更好的识别水下快速目标就需要尽量从多个方面提取水下快速目标的特征,形成全面的特征集,但是这样也会产生维数过高的问题,这时就需要进行特征选择。针对Relief F无法去除冗余特征的问题对特征集进行去冗余的操作。首先根据距离相关系数判断冗余特征。针对传统冗余特征选择方法会产生信息损失的问题,使用自编码器完成冗余特征融合的任务。其次,针对无法确定自编码器融合后特征是否是有助于分类的特征,将一个分类器作为辅助任务和欠完备自编码器共同组成一个多任务模型,通过分类的任务辅助欠完备自编码器来使得自编码器的隐层可以学习到更利于分类的特征。最后使用Relief F对去除冗余的特征集进行特征选择。再计算权重完成特征加权融合。针对水下快速目标方位变化频繁的问题提出动态权重。本文提出的动态权重和传统的静态权重相比考虑到了目标方位的变化,更加适合水下环境。针对单准则计算权重方式过于片面和不稳定的问题提出根据多准则指标树的方式计算权重。权重是根据多准则的方式确定的,多准则较单准则考虑的更加全面而且提升了稳定性。最后针对水下快速目标不是一直匀速的问题提出速度特征权重。由于水下快速目标是一个先加速再匀速的过程,而且在加速过程中的声音信号对于识别来说更有意义,所以提出一个速度特征权重和前面多准则所计算出的权重相乘构成二阶权重,再对前面经过特征选择后的特征集进行特征加权融合。最后通过实验进行验证。根据对比试验来对前面提出的一些改进方法进行检验,验证得本文优化的特征选择方法和特征加权融合中权重的计算在水下快速目标识别的背景下是有效果的。