1.一种基于数据增量的卷积神经网络前视声呐图像识别方法，该方法使用五种不同的水下运动目标，其特征在于：所述五种不同的水下运动目标分别为单柱目标、双柱目标、三柱目标、四柱目标和T型目标，所述卷积神经网络前视声呐图像识别方法如下所示：步骤1、从前视声呐原始目标图像中抽取训练集和测试集：通过对实验采集到的五类水下运动目标的前视声纳图像视频进行帧截取获得五类目标图像，抽取部分图像为训练集，再从声呐图像视频中挑选与训练集不重复的图像作为后续神经网络的测试集；

步骤2、居中裁剪目标图像并灰度旋转：对原始声呐图像进行居中裁剪并进行灰度转换，滤除掉声呐图像中除了目标以外的其他杂乱信息得到裁剪后的目标灰度图像；

步骤3、数据增量：在经过上述对图像的操作步骤之后，基于卷积神经网络对扭曲图像的处理具有识别不变的优良特性，再对目标图像进行间隔10度的顺时针旋转，一共经过360度，每旋转一次角度，就对目标图像进行左右镜像对称、平移、高斯加噪并中值滤波、维纳滤波、桶形变换和针垫变换，得到原始目标的增量图像，每类目标由原始的48张图片增量到15552张，五类目标总计增量到77760张图像；

步骤4、输入卷积神经网络进行训练：在将声呐图像数据经过增量处理以后，将其存入到一个新的样本训练集，然后将增量样本集经过一个16层卷积神经网络进行训练，并使用训练集中的35％的卷积神经网络模型进行识别验证；

所述一个16层卷积神经网络的每层结构如下所示：输入层--卷积层(3，8)--批处理层--激活函数--池化层(2，2)--卷积层(3，16)--批处理层—激活函数—池化层(2，2)--卷积层(3，32)--批处理层—激活函数—池化层(2，2)--全连接层—归一化层—分类层；

步骤5、得到已训练的卷积神经网络：得到训练集经过网络的识别，利用训练集中所划分的测试集对神经网络识别的正确率为99.89％；

步骤6、对测试集进行识别分类：对未经训练的测试集的总体识别进行分类，经过计算，对未经训练测试集的识别正确率为99.6129％，再从未经训练的测试集中随机抽取6张图片经网络识别后得到分类结果。

2.根据权利要求1所述的一种基于数据增量的卷积神经网络前视声呐图像识别方法，其特征在于：步骤1所述的前视声呐原始目标图像是通过在水声实验站对五种不同的水下运动目标利用多波束前视声呐进行实验获取得到声呐图像，该实验将待测目标悬挂在转台下方，目标旋转360度，并且将图像声呐吊放在目标同一深度，在目标旋转过程中，记录目标全方位的声呐图像。