文献综述（或调研报告）：
关于信号检测和目标提取，简言之就是通过主动声纳发射信号，然后利用接收器检测回波信号，提取空间场、时间场的特征，并作出解释，即可利用声信号检测目标。我们为了简化研究，在模型中默认接受器和发射器位于同一点，并且在此只考虑较大尺度下的情况。
首先是主动声纳波形的选择。常见主动声纳波形包括单频矩形脉冲（CW）、线性调频信号（LFM）、双曲调频信号（HFM）、编码调相脉冲（CMP）以及其他各种组合信号。为了应对不同环境下的需求，对发射信号也提出不同要求。比如CW信号对目标的测速性能更好，LFM、HFM信号更适合用于估计尺度特征，组合信号的时频分辨性能更好[1]。还有其他诸如易于实现脉冲压缩的编码调相信号（CMP），便于实现理想图钉型模糊度特性的伪随机信号（PRN），进一步提高测量精度的V形调频信号等等。
空间场特征提取，即主要提取目标的位置和尺寸。对于一维尺度下的特征提取，汤渭霖提出了亮点模型[2,3,4]，亮点结构也是目前研究较多的目标特征之一，特别适用于大尺度下的目标分析[5]。理论和实验都证明，高频情况下，任何一个复杂目标的回波均可等效于若干散射亮点的组合，每个散射亮点产生一个亮点回波，总回波等效于许多个亮点回波干涉叠加的效果，不同亮点形成沿距离分布的特征。其次还有共振模态，即利用共振模态下信号能量和目标尺寸的代数关系进行计算[1]。小波变换和频谱分析也是处理目标空间特征的一大重要方法，利用AR模型参数、傅里叶功率谱和小波变换参数进行计算[6]。对于二维尺度下的目标特征提取，已经不能满足于位置和尺度这种等效点的方法。由于预成多波束高频声纳和高分辨成像声纳的发展，声纳图像的特征提取也在逐渐发展，目前的解释过程一般分为三步：图像预处理、特征提取、目标识别。预处理包括中值滤波消除噪声，图像分割划分区域类型，特征提取包括目标几何尺寸计算、目标矩分析、目标形状分析、目标回波强度分析、目标延伸率分析、目标变化性分析等等[1,7]。另外，其他诸如目标的运动参数、非几何类特征等，也是在特征提取的考虑范围内。
对于时间场特征，最主要是基于三维尺度下，不同时刻下的时间序列运动图像，进行的目标分析。特别在机器人视觉、运动目标跟踪与识别等应用中特别重要。目前有根据目标物体本身的特征，比如尖锐点、边缘曲线等，在运动图像上反映，并加以测量计算的方法，还有卡尔曼滤波方法、小平面对应运动分析、特征点匹配技术等方法的运用[8]。另外对于机动目标的跟踪和运动参数估计，还有神经网络跟踪理论[9]。
由于三维图像下，实际较难提取目标的几何特征，而且在不同环境下得到的值会有很大误差，传统声纳也易受影响，对低分辨率声纳更是如此，因此需要根据需求，提取其他形式的目标特征。Lane提出一种利用品质特征匹配对声纳图像进行分类解释的方法，可以得到物体大小速度等比较结果，并且可适用于不同条件、不同声纳回波，鲁棒性较好[10]。Trimble提出一种多传感器数据融合目标分类方法，提取线段和顶点作为目标分类特征，用以区别物体是否人为[11]。Castellano等应用了其他一些非几何类特征，比如密集度特征等[7]。Floyd研究了低分辨率下进行障碍物识别的方法[12]。
当目标和传感器间存在相对位置的变化时，所观测到的数据也会变化。即使都静止也会产生一定程度的形变。这时就需要提取目标的不变性特征。这需要与计算机视觉领域进行结合，利用其表征物体形状不变量的欧式距离、傅里叶算子、矩等。宣国荣提出一种马氏距离矢量不变量，并验证其不变性高度适用于物体识别[13]。另外不变矩也是从一维到多维应用较为成熟的方法[14]。中心矩反映物体灰度相对质心的统计分布情况。
另外，也有针对一些参数要求，对现有的一些传统方法进行的改进。比如针对CW信号的预畸变处理和LFM、HFM信号的变采样，以提高测量精度[1]。
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
