随着人们对水下作业的需求不断提高,搭载在水下机器人上的侧扫声呐系统渐渐成为水下探测的重要工具,被广泛地应用于地形测绘、资源探测、水下搜救、危险目标检测等领域。然而,从水下系统向外传输数据并进行人工目标检测存在几个主要问题。首先,水下系统的功率低,带宽小,传送实时数据耗能耗时;其次,由于声图存在较大的噪声干扰和形变,人工检测需要大量的经验积累。因此,水下目标自动检测技术成为了重要的解决方案。水下平台实现准确的实时检测有两个主要难点:侧扫声呐数据量大,检测时间长;水下环境复杂,图像受噪声影响很大。针对以上难点,本文将检测系统分为粗分割、目标检测和精确分割。通过粗分割得到图像区域划分,根据目标检测可迅速分离可疑目标,最后通过精确分割得到抗噪性良好的目标边界,使目标检测在满足实时性的基础上达到了理想的精确性。本文主要包括如下几个方面的创新工作:第一,本论文针对声呐图像中噪声较大,目标易受干扰的问题,在基于图论方法基础上,根据原始数据中区域内部梯度与回波强度的正相关性特征,创新性地提出了一种利用声呐原始数据的两极生成森林快速分割算法。该算法同时通过最大/最小生成树算法对图像进行分割,得到存在过分割的结果后使用线性结构检测与历史信息生长,得到对于大尺度物体结构完整、对于小尺度物体有效分离的分割结果。第二,本文针对噪声过高增加检测虚警率的问题,提出两个主要特征对粗分割结果进行目标检测:基于多分辨率的目标显著性和目标尺寸。我们通过多分辨率下的统计学差异性检验来衡量目标显著性,相对于单尺度检验,多分辨率下的目标检测可以在高分辨率上提高检测召回率,在低分辨率尺度排除被误识别为目标的噪声,从而可以降低对噪声的误判。其次我们通过估测理论目标尺寸,在尺度上对非目标进行排查。检测结果能够在保证较高召回率的同时降低虚警率。第三,针对声呐图像精确分割效率低下的问题,本文基于水平集理论,提出了依据两极生成森林算法的结果更新初始化的水平集分割算法,并给出了目标的局部位置数据,使水平集曲线在小数据量上从更接近目标边缘的位置迅速演化到理想边界,减少了水平集的迭代次数,从而加快了算法的运行时间,得到了目标的精确边缘位置。最后,我们通过自主搭建的目标检测用户交互系统,对该算法进行实验验证,在满足实时性(1秒/帧)的基础上,最终得到了良好的召回率(93%)和低于50%的虚警率(48%),并且使目标边缘具有良好的精确性,证明了本方法的有效性。