声呐作为唯一能在海洋中远距离工作的探测设备,在海洋探测中起着至关重要的作用,为水下目标物识别提供了数据支撑。在海洋环境中,由于声信号在传播过程中存在反射,折射等现象,会以不同的路径进行传播,所以基于声呐回波技术的水下目标识别干扰多,准确度低。而声呐图像的目标识别方法具有分辨力高,多波束及实时性较强的特点,所以基于声呐图像的水下目标检测和识别是目前的研究热点。传统声呐图像检测算法大多采用人工提取特征,然后进行分类和目标物的定位的方式,但这类算法效果往往依赖于特定应用背景下的噪声特点,所以鲁棒性较差,泛化能力不行。此外,随着声呐技术的广泛应用,面对庞大的声呐图像数据集,传统的检测算法也难以满足图像大数据在处理效率、性能和智能化等方面所提出的要求。本文将深度学习算法在目标检测方面的应用扩展到声呐图像,从而实现高效率,高精度的检测。但由于深度学习算法是数据驱动的,所以缺乏大量标注数据会影响其成功的检测和识别。声呐图像的标注不仅繁琐耗时,而且还需要不易获取的专业知识和技能。为了大幅降低数据标注的成本,本文设计了声呐图像目标主动识别框架,通过将三种针对目标检测的主动学习算法集成到目标检测任务中来,以不断迭代筛选数据并更新模型的方式,使CNN更适合声呐图像特征提取,从而大大降低标注成本。本文在声呐数据集上进行了实验,结果表明仅使用35%的训练数据就可以获得与使用所有数据训练相近的检测效果。此外,为了增强检测模型在实际应用中的抗噪声能力,本文研究并提出基于生成对抗网络的声呐图像目标主动识别框架,将生成对抗网络应用到检测算法中,通过生成器模型为噪声图像生成超分辨特征表示,并使用一个判别器模型来指导生成器的训练,最终通过交替训练生成器和判别器模型的方式来提升框架的抗噪声能力。在声呐数据集上进行了实验,融入GAN的模型对噪声图像检测性能更好,且数据的标注成本可以降低50%。