地球上拥有广阔的海域,丰富的海洋资源成为人们赖以生存的重要条件,如何利用和保护这一资源逐渐成为人们关注的焦点。水下人工目标的检测是保护水资源的一个重要部分,与之相关的声呐图像分析引起了越来越多国内外学术界的关注。目前已有相关检测算法提出,然而,这些算法有的拥有复杂和大量的计算,有的仅利用到有限的数据信息,仍有一定的提升空间。因此,水下人工目标检测方法仍需进一步的探索。本文针对水下人工目标,研究了基于分形理论的孤立森林水下人工目标检测的方法,实现了对声呐图像中人工目标的快速、准确的检测。主要研究工作如下:(1)根据声呐图像中人工目标的声学特征,将分形理论与孤立森林算法结合,研究一种水下人工目标的检测算法。首先,通过分形理论计算声呐图像中数据点所有维度的分形维数,找到人工目标数据点声学特征较为明显的维度,并将其分形维数相结合,提取数据点的分形特征;其次,对声呐数据进行抽采样,在保证原有数据分布特征和降低大量数据对检测过程的影响。同时,实现分离树的快速构建;然后,利用分离树对声呐数据进行分离并确定每个数据点在分离树上的位置;最后,依据数据点在分离树中的位置,计算每个数据点的异常值,并最终实现人工目标数据点的检测。(2)研究了基于遗传算法的人工目标检测优化算法。该方法首先利用遗传算法将本文提出的检测算法中涉及到的参数进行编码,并利用适应度函数实现对参数的自动设置。在实现参数最优值自动选取的同时消除了因人工取值所造成的影响。随后,针对高维数据存在的维度冗余问题,本文对筛选准则进行了研究,在去除冗余数据维度的同时提高了算法检测速度。最后,利用优化的筛选方式确定切点并构建分离树,从而实现了数据点在分离树上更精确的定位。(3)本文算法在不同类型的声呐数据中进行了仿真实验验证,并与经典的检测算法进行对比。在仿真实验中,增加了噪声组数据,以验证算法在复杂环境中的性能。实验结果证明了本文算法具有一定的有效性。