水下目标识别是实现水声设备与武器系统智能化的关键技术。它一直是海军部门久攻不克，悬之未决的技术难题。声回波识别是水下目标远程识别的主要手段。本论文的研究对象是声回波识别，主要要求区分真假目标。论文利用已有的水雷目标的声回波特征提取方法，采用新兴的模糊神经网络技术，与具体目标及其应用环境相结合，设计出两类具有一定自适应性和泛化能力的分类器，并用实际的真假水雷目标实验数据测试了基于模糊分类器识别系统的性能。模糊神经网络结合了模糊系统和神经网络的优点，同时具有模糊逻辑易于表达人类知识和神经网络的分布式信息存储以及学习能力的优点，可以用于针对从水下目标回波信号提取的特征的多维性，模糊性，以及自动提取模糊规则和适应复杂环境。论文给出了两种应用模糊神经网络设计的分类器。分类器Ⅰ是基于模糊聚类网络设计的，所用的网络是模糊Kohonen聚类网络，它的实质是用Kohonen类型的算法实现模糊c-均值聚类；它与经典自组织映射算法的结合将能够大大加快自组织模型的收敛速度，能够较快地获得待聚类数据的中心点。此分类器可利用聚类算法可以轻松获得前件网络中的模糊规则数及隶属度函数的形状，该算法是对整个输入空间的直接划分，使用的是多维隶属度函数，尽量使隶属度函数覆盖整个输入空间，这就使规则的数目大为减少。从而避免了传统的按输入维数划分方法的“维数灾难”问题的发生。分类器Ⅱ是基于自适应模糊神经网络设计的，自适应模糊神经网络是一种有教师学习模型，完全基于数据建模，结合了Sugeno型模糊推理和神经网络。在该分类器中将模糊系统网络结构化，模糊规则的隶属度函数参数化。自适应模糊神经网络从输入—输出数据对中产生模糊规则，经过BP算法学习调整，再将所产生的规则同经验规则组成一个最终的模糊推理系统。在本论文中将分类器Ⅱ总结为基于数据规则的识别。采用VC++编写了数据显示和特征提取软件。用面向对象的软件将特征提取各类算法封装成应用类。应用Matlab对维数高的目标特征向量进行降维处理，编写了基于自适应模糊神经网络和基于模糊聚类网络的分类器应用程序，针对目标不同特征分别进行训练，得到不同权系数的网络。用测试数据检测分类器的识别能力。