水中目标识别分类技术在水下装备中具有很重要的现实意义和民用价值，一直是各国学者研究的重点。本文根据水下目标识别、分类的研究现状，主要分析了水中目标辐射噪声的多种特征的提取方法，在此基础上研究了基于多神经网络数据融合的目标分类算法，利用海上实测的船舶辐射噪声进行了分类实验，证明了分类方法的有效性。 下面介绍本论文的主要工作： 1．系统地研究了小波变换理论，深入分析了小波变换在信号去噪中的基本原理、方法和作用。利用仿真信号比较了各种小波去噪方法，得出了影响小波去噪效果的各种因素。在此基础上对某一水声信号进行了小波降噪处理，提高了信号的信噪比，获得了满意的效果。同时利用小波变换提取了水声信号的小波特征，利用BP神经网络对三个小波特征分别进行了分类实验。 2．分析了高阶统计量的基本性质，重点分析了1 1／2谱和2 1／2谱的表达和性质；讨论了高阶谱在水声信号识别中的作用。提取了舰船辐射噪声的1 1／2和2 1／2谱；对提取的特征利用BP神经网络进行分类，改进BP神经网络重新分类获得了较好效果。 3．讨论了舰船噪声功率谱在水声信号中的意义，分析了信号功率谱的基本性质和理论模型；提取了水声信号的线谱特征，对提取的特征进行了优化处理即特征优化处理，舍去了具有奇异性的特征，利用BP神经网络局部水声信号分类实验，证明了方法的有效性和可行性。 4．分析了人工神经网络分类器的结构、类型。重点讨论了实际应用比较广泛的BP神经网络，就其结构、学习规则、设计、训练和推广能力作了详细分析；利用已提取的水声信号特征：小波特征、高阶谱特征对水声目标信号进行综合分类实验。 5．研究了单传感器、目标的单信息特征对水下目标分类的不足，分析采用多神经网络和多特征信息进行融合的必要性，提出了一种新的概率最大举手表决方案来判断融合分类结果，提高了识别率和正确率。