水下瞬态信号的特征提取是空投目标分类的重要环节。回顾历史,用于特征提取的信号分析方法有很多:傅立叶变换、短时傅立叶变换、Wigner-Ville变换、小波变换等等。然而它们应用于水下目标特征提取时也存在各自不同的问题。傅立叶分析要求数据必须具有线性、周期性和平稳性的特点;短时傅立叶变换窗口的大小是固定不变的;Wigner-Ville变换会产生严重的交叉项;小波变换的时频窗面积不变,只是形状变化。因此,本文采用希尔伯特-黄变换方法,它是一种更适用于分析非线性、非平稳数据的时频分析方法。在目标分类领域中,人工神经网络分类器应用最为广泛。利用信号的不同特征或不同结构的人工神经网络分类器可以得到不同的分类结果,往往可以利用这些结果之间的互补性来改善系统的分类效果。多分类器输出向量加权投票算法是一种有效的多分类器融合算法,它具有算法简单、便于处理实际问题的优点。因此,本文采用此方法进行多分类器融合。本文首先回顾了几种处理非平稳数据的常见方法,并分析了它们的优缺点,之后介绍了希尔伯特-黄变换方法。通过对空投目标入水声信号构成特点的研究,从击水声脉冲信号、“寂静”区间和气泡脉动信号三方面对空投目标入水声信号进行了理论分析和实测数据的特征提取研究。给出了常见人工神经网络的结构特点以及基本原理,并应用单个人工神经网络分类器对空投目标进行分类,分类结果表明不同分类器之间存在互补性。在本文的最后论述了多分类器融合算法,并给出基于多分类器融合算法的目标分类结果,证明了多分类器融合算法在解决目标分类问题时具有优越性。