本课题来源于智能水下机器人技术中“水下光视觉信息处理和理解技术”项目。自动目标识别系统对于提高水下机器人的自主能力，顺利完成目标探测和定位的任务具有很重要意义。 本论文的目的就是针对真实环境下的水下图像进行处理、分析，以实现对图像的预处理，包括图像增强、边缘检测、图像分割，从而得到用于特征提取的二值图像。最后通过对二值图像的特征提取，利用BP神经网络对图像进行识别。 本论文的主要工作就是在图像预处理的过程中充分利用水下图像的熵信息。首先在图像增强上采用了基于相对熵的水下图像模糊增强方法，针对传统模糊增强的分界点难以确定的问题，利用图像分割原理结合相对熵方法很好地解决了这个问题。接着针对水下图像其本身具有的特点采用了基于去噪熵算子的边缘检测方法，即去除了图像的噪声又很好的利用图像窗口熵信息完成了图像的边缘检测。在预处理的最后一步针对熵用于图像分割虽然效果好但是计算量大的缺陷，引入粒子群优化算法(PSO)来对算法进行优化，效率比传统算法有了很大的提高。 在识别方面，首先研究了特征的提取、计算和特征选择，得到聚类效果较好的特征值在离散情况下，HU氏矩只具有平移、旋转不变性，在此基础上组建了六个同时具有平移、旋转、比例不变性的矩作为特征值。 最后研究了神经网络识别方法。针对BP神经网络的限制和不足进行改进，可以采用动量因子和自适应的学习速率来进行调节。经过实际编程和实验的验证，识别的准确率较高。