由于水下环境的复杂性和声呐系统特殊的成像原理,声呐图像和自然图像相比存在很大的不同。首先是声呐图像中的噪声非常多且复杂,其次图像中所含高频信息较少,主要包括边缘和细节等,因此声呐图像的质量不够清晰。现有的目标检测方法主要针对光学图像,并未考虑到声呐图像的这两个特性,导致检测性能不高。为此本文基于声呐图像中广泛存在的噪声和高频信息缺失两个特性,开展了以下三方面的研究工作:1、针对声呐图像中影响较深的乘性斑点噪声,设计了基于自监督学习的声呐图像降噪网络。具体地,首先从声呐系统的成像机制出发,对图像中存在的噪声进行了详细分析,并构建了对应的噪声模型。接着,由于基于自监督学习降噪网络理论上只能对加性噪声处理,因此需要对噪声图像进行对数变换,将图像中的乘性斑点噪声转化为加性噪声模型。然后,将变换后的图像输入到降噪网络中进行处理,降噪后并通过指数变换还原图像。在降噪网络中,为了使输出的图像尽可能包含细节信息,在对应损失函数中增加了细节衡量损失项目。实验结果表明,损失项的引入有效提升了降噪网络的性能,有很好的斑点噪声抑制效果。2、针对声呐图像中广泛存在的噪声,设计了声呐图像前景语义增强模块。具体地,首先通过特征融合的方法生成强语义特征图,该特征图同时具有较强的位置和语义信息。然后,显示建模该强语义特征图和各输入特征图间的关系,用对应的关系矩阵对特征图进行增强。前景语义增强模块中使用了特征融合和感受野模块等技术,所得到的特征图更具鉴别性。在声呐图像中,由于噪声的存在会使得背景较为复杂,在目标检测过程中会出现背景点被视作前景点并产生预测框的情况。经前景语义增强之后,特征图中前景点和背景点间的差距会得到扩大,由背景点产生的无效预测框得到了抑制。实验结果表明,前景语义增强模块能抑制噪声点特征,经增强后的特征可以提升后续目标检测能力。3、针对声呐图像中高频信息缺少的问题,设计了声呐图像前景边缘增强模块。并利用自适应特征融合的方法,对来自声呐图像前景语义增强模块和前景边缘增强模块的特征做融合,设计了声呐图像前景增强网络。具体地,首先从图像的边缘特性出发,分析了不同方向的空间上下文信息对边缘的识别有较高的作用。然后,根据边缘的这些特性构建了前景边缘增强模块:使用循环神经网络提取像每个像素点的四个基本方向的空间上下文信息,并通过空间注意力机制给这些信息赋予不同的权重。经边缘增强之后,特征图中边缘点因获得的空间上下文信息,其特征得到了增强。同时,由于循环神经网络工作原理,空间上下文信息继续向边缘内部传播,因此边缘内部的前景点同样得到了增强。最后通过实验,证明了前景边缘增强模块及声呐图像前景增强网络的有效性。