水下目标识别和行为分析技术通过分析声纳接收的舰船辐射噪声以判断目标性质。传统实现目标识别和行为分析技术是使用基于手工特征来进行的。相较于传统的人工的水下目标识别和行为分析方法,基于深度学习的方法最大限度地避免人为特征选择过程造成的信息损失。近年来,随着深度学习人工智能技术的兴起,深度学习也开始向这个领域研究和展开应用。但是目前深度在这方面的研究还不够深入,针对这种情况,本文深入研究了深度学习应用技术,并将其应用于水下目标识别和行为分析技术。对于深度学习的水下目标识别技术的频谱选择问题,本文提出基于迁移学习和LOFAR频谱的水下目标识别方法。依据基于统计方法的水下目标识别实验结果,分析说明不同类型的水下目标在频域特征具有显著的可区分性。通过对Audio Spectrum、Image Histogram、Demon和LOFAR四种频谱大量的比较实验,分析发现在水下声信号领域,LOFAR频谱是最适合水下目标识别的频谱图。针对LOFAR频谱中丰富的细节信息的特点,设计了适应LOFAR频谱图像的深度卷积神经网络。同时为了解决频谱图训练样本数量有限的问题,通过迁移学习技术训练小样本的深度神经网络模型,实现LOFAR频谱和深度神经网络的水下目标识别。对比其它已有的水下目标识别的深度学习模型取得了更高的识别精度。在基于频域数据的水下目标识别技术基础上,通过分析频域数据对比时域数据存在信息损失的问题,本文提出基于深度学习技术处理原始时域数据的水下目标识别。利用卷积神经网络中卷积核具有滤波器功能的作用,将一维卷积神经网络用于水下目标时域原始数据进行特征提取,避免了时域数据转化频域数据过程中信息损失的问题。再利用极限学习算法（ELM）具有训练速度快和泛化能力强的优点,将一维卷积神经网络提取的特征通过极限学习机（ELM）实现水下目标的分类和识别。在相同测试集的情况下,基于时域数据的水下目标识别实验结果显示,其识别正确率明显高于基于频域数据的水下目标识别方法。在一维卷积神经网络的基础上,提出基于一维深度分离卷积和时间扩张卷积模型,平均分类识别正确率达到90.9%,进一步提高了基于时域数据水下目标识别方法的性能。对于深度学习的水下目标行为特征提取技术的研究,本文结合局部结构特征和全局语义特征,提出基于多尺度注意力语义分割网络的水下目标线谱检测检测方法,将线谱语义特征特征应用于线谱检测,相当于模拟声纳员的线谱检测过程。与只使用局部结构特征的传统线谱检测方法对比,实验结果表明本章提出的基于深度学习的线谱检测方法的精度达到了 96.5%,大大提高了线谱检测方法的精度和稳定性。针对水下目标弱信号的线谱检测的问题,利用混沌模型具有对弱信号敏感并能抵抗大量噪声信号的特性,在Sprott系统结构的基础上设计三阶混沌系统模型用于弱信号的线谱检测。实验结果表明利用SE和C0复杂度对混沌行为的强敏感性,混沌系统模型可以找到弱信号的最佳检测区间,实现弱信号的线谱检测的功能。对于深度学习的水下目标行为识别问题,本文提出基于图神经网络的水下目标行为识别方法。完善了一个图神经网络（RingGNNs）模型,并使用水下目标运动特征数据集训练和优化图神经网络的参数,实验结果表明提出的方法准确率可以达到96.2%,完善的图神经网络模型比现有图神经网络的方法更加适应水下目标行为识别。