随着人们对海洋未知领域的不断探索与开发,水下目标感知已成为海洋勘探中最受关注的研究方向之一。面向大范围、中远距离探测需求的水下作业场景,侧扫声呐因其感知范围广、探测精度高而被广泛应用。但由于基于侧扫声呐图像的水下目标感知方法面临着海洋环境复杂多变、采集数据量庞大以及可支持科研的数据敏感无法公开等现实因素,现有方法无法兼顾感知效率与模型的可塑性。为综合提高感知效率与识别模型的可塑性,本文提出一种基于侧扫声呐图像的水下目标感知方法。该方法主要分为目标分割与物体识别两个阶段,具体如下:在侧扫声呐图像目标分割阶段,由于海洋探测需要在未知水域、未知目标特性的情境下正常运行,因此要求算法可以较好地平衡目标分割结果的高准确性与低虚警率。本文提出了一种基于恒定虚警策略的目标分割方法,该方法可以实现以下两个功能:（1）稳健定位。为摆脱了对数据集的依赖,该方法通过纯数学推导,从而在庞大的侧扫声呐数据中稳健地定位到目标区域。（2）高效检测。为提高对超大目标和远小目标的检测准确性,加入对目标的阴影信息分析;为适应图像中目标数量未知的使用场景,引入像素同质性来减少检测结果对参数的依赖。经过实验对比,上述的目标分割方法已被证实其优越性。在侧扫声呐图像物体识别阶段,物体识别效果对数据集依赖性较强,但目前侧扫声呐图像数据集共享性低、样本量少且类别不均,无法有效支撑日前繁多且未知的海洋活动。本文设计了一个基于侧扫声呐图像的类增量学习方法,该方法利用蒸馏技术进行知识回顾,引入聚焦损失缓解样本数量不平衡问题,从而实现在只有少量过往数据情况下的持续学习。通过对比实验验证了该增量学习方法在水下物体识别过程中能有效地缓解了灾难性遗忘和数据偏好问题。实验结果表明该目标感知方法可实现:同时保证高准确性和低虚警率的目标分割,以及在样本不均衡情景下持续学习的物体识别。