舰船及水下潜器的辐射噪声包含了大量的重要信息,这些特征信息可以被用作水面及水下目标的识别、跟踪和参数估计,能够反映自身运转状况及目标强度。由于海洋背景噪声(波浪、深海混响等)具有很强的干扰作用,精确提取舰船辐射噪声将变得十分困难。对于包含大量信息参数的辐射噪声在较强的海洋背景噪声中的提取问题属于强背景噪声下弱声信号提取问题研究范畴,这对准确获得舰船及水下潜器的辐射噪声带来挑战,因此获取强背景噪声中的弱声学信号对于舰船及水下潜器等水下目标识别是重要的研究问题之一。本文基于盲源分离方法中的独立成分分析(ICA)算法研究了强背景噪声下弱声学信号时域和频域提取方法。分别利用数值模拟方法实现了单干扰源和双干扰源背景噪声下弱脉冲声信号的时域分离算法,弱声学信号并进行实验验证。通过数值模拟和实验方法探讨了信噪比的大小对弱脉冲声信号时域分离效果的影响。构建了随机海洋背景噪声中水下弱声学信号的频域分离方法分析模型,通过数值分析和实验完成了对水下弱声学信号的频域分离。在上述研究基础上,基于BP神经网络算法实现弱脉冲声信号的时域分离结果的模式识别,提出将分离信号的进行中心化和比例缩放的处理方法。本文针对强背景噪声下弱声学信号分离问题,在一定的信噪比条件下实现了弱声学信号的提取与识别,并结合船舶与海洋工程领域得到了实际应用。具体研究内容和成果如下:(1)基于盲源分离法的弱脉冲声信号分离方法。分析了线性瞬时混合的盲源分离模型,基于盲源分离问题的3条基本假设条件,以盲源分离方法中ICA方法为主,介绍了几种ICA的代价函数和优化算法。以实现“全盲”条件下的盲源分离为设定目标,选取基于峭度的快速不动点法作为实现强背景噪声下弱声学信号提取的基本算法。针对弱声学信号“弱”的程度,介绍了幅值信噪比概念,对信噪比对盲源分离法带来的影响进行研究。(2)随机强背景噪声下弱脉冲声信号的时域分离算法研究及实验。基于主要成分分析(PCA)和独立成分分析(ICA)并利用快速不动点迭代法,给出时域的FastICA算法。以弱脉冲声信号为信号源,分别对单干扰源(随机白噪声)和双干扰源(随机白噪声+正弦音)背景噪声下的分离方法进行研究,通过对实验已知信号进行弱声学信号分离验证了算法可行性。在较低信噪比即背景噪声较大的条件下实现弱脉冲声信号分离,并从数值和实验两个方面分析了幅值信噪比的大小对弱脉冲声信号时域分离效果的影响。(3)强背景噪声中水下弱声学信号的频域分离算法研究及实验。根据船舶在航行过程中产生辐射噪声的特性,对噪声源种类和频谱分析特性进行了介绍。计算复数域的代价函数和优化方法,将时域下的FastICA盲源分离方法拓展到了频域分离,并应用于螺旋桨水下辐射噪声分离中,通过对实验测试数据的分析验证了算法可行性。(4)基于BP神经网络的弱声学信号时域分离结果的模式识别算法研究。给定声学时域信号,阐述了适用于该信号特征提取指标,以波形因子、峰值因子、脉冲因子和裕度因子作为本文时域特征指标,利用实验测试数据分离信号进行了中心化和比例缩放处理后进行特征指标提取,构建了4-11-3类型的BP神经网络,进行三种声学信号源种类的模式识别,排除了声学信号能量对时域特征捕捉的干扰。实现了信号源种类识别和强背景环境噪声下弱声信号的模式识别。