随着海洋开发和信息产业的发展,人们对水下资源探索需求也日益扩大,对水下目标的分类识别技术成为近年来研究相当活跃的科学技术领域之一。众所周知,海洋里除了富含海底石油天然气等能源资源外,还有着丰富的生物资源。尤其是像鲸鱼、海豚等这样的海生哺乳动物,对它们进行研究有着重大的科学意义,但是海底不同于陆地,无法像陆地那样方便地对观察对象实施定位,这时候,水下目标的分类识别技术就大派用场了。在水下目标的分类识别过程中,最重要的一个环节就是对目标辐射信号的特征提取,它直接影响到目标分类识别的成功率。从目标的辐射信号中提取到能正确反映目标特征的征值,对减少分类识别系统的计算量、降低系统的复杂度有着直接的作用。传统的特征提取技术主要从时域、频域和时频域三个方面对目标的辐射信号进行处理分析,时域的特征提取技术主要是对信号的波形结构进行统计分析,并以统计量作为特征值。时域特征提取技术的优点是方法比较简单,容易实现;缺点是时域的特征值并不能完整反映目标的特性,导致在分类识别中发生误判。频域的特征提取技术则主要是对信号进行谱分析,从而得到的特征值。频域的特征提取方法可以有效地给出不同类型目标能量与类别之间的关系,但是其在类内的比较时,则显得有点力不从心。时频域的特征提取方法包含了小波变换和魏格纳变换,通过从信号的细节方面提取目标的特征值。但由于魏格纳变换会产生严重的交叉项,如果使用魏格纳变换则必定要考虑抑制交叉项的问题,造成了系统复杂度的提升。相对而言,小波变化是一个成熟的理论,其工程应用的历史也比较久,由于小波分析的灵活度很高,所以如何使用小波变换直接影响到系统的复杂程度。本文的数据资源采用了巨头鲸、抹香鲸以及斑海豚三种海生哺乳动物的声信号,并对这些信号进行处理分析,引进了BP人工神经网络技术对提取自频域和时频域的特征值进行了特征级的信息融合,并对该方案的分类识别率进行了理论研究及仿真分析,主要工作如下:(1)简述了频域特征提取技术中有关经典谱估计和现代谱估计的方法,并通过仿真实验对比了经典谱估计与现代谱估计的区别,引入了在频域上使用现代谱估计中的AR模型参数作为特征值的方法,使用AR模型的谱估计,可以有效地改善功率谱图的分辨率和平滑度,提高了使用功率谱估计方法得到的特征值的有效性。(2)阐述了小波分析的基本理论,引入了一种基于小波分解的平均能量法作为时频域处理的特征值,这种特征提取方法的优点是运算量小,同时保存了信号的主体特征,在仿真实验中也都获得了不俗的分类识别效果。(3)详细阐述了信息融合技术以及人工神经网络的基本原理,采用了基于BP人工神经网络的特征级数据融合方法,将提取自频域的AR模型参数与时频域的小波平均能量两组特征值进行了特征级的数据融合,弥补了单独采用频域特征值进行分类识别时存在类内差别小的缺点,同时,在兼顾识别性能之余,通过BP神经网络实现了对特征值的压缩,减小了分类识别时的计算量,在识别率与系统复杂度之间取得了一个较好的平衡。(4)通过Matlab对基于AR模型参数的特征值和基于小波平均能量的特征值进行了目标分类识别的有效性仿真研究,结果表明,两组特征值都是有效的。同时构建一个三层的BP神经网络,对上述的两组特征值进行数据融合,得到一组新的特征值并对其的有效性进行了仿真分析,结果表明,使用经过数据融合后的特征值,能够有效地提高目标分类识别率中的有效性。