1.一种基于数据增强和残差CNN的水声目标识别方法，其特征在于步骤如下：步骤1：提取各个类别水声目标信号的MFCC特征；步骤2：将每5个连续帧MFCC特征并联拼接生成一个二维矩阵，此二维矩阵可绘制为彩图，以此作为单个样本的输入特征图像，即初始特征图像，各个类别均选取其中3/4的图片样本用于模型的训练和验证，剩余的1/4用于模型的测试；步骤3：采用传统数据增强技术，设置多个图像对比度范围，得到不同对比度范围的生成图，并设置图像水平和垂直方向的缩放范围和平移范围。步骤4：将特征图像输入深度卷积生成对抗网络DCGAN模型训练，DCGAN模型包括鉴别器和生成器，两个网络通过对抗共同进步，以达到样本生成的最佳效果，从而输出得到相应的生成特征图像；步骤5：在ResNet18模型的基础上搭建残差CNN分类模型，去掉其中的池化层，并调节其输入层、全连接层和输出层换为适合识别任务的尺寸，将该残差CNN模型作为识别任务的分类模型，并将特征图像转化为与ResNet18模型中的卷积层尺寸相匹配的尺寸；步骤6：将初始特征图像、步骤3经过调节对比度处理和步骤4深度卷积生成对抗网络DCGAN模型的多个生成特征图像均作为残差CNN模型的输入特征，对残差CNN模型进行训练，并对测试数据以及数据识别。
2.根据权利要求1所述基于数据增强和残差CNN的水声目标识别方法，其特征在于：所述提取水声目标MFCC特征：对每帧信号做FFT得到频谱，将频谱通过一组三角带通滤波器滤波得到Mel滤波，计算每个滤波器输出的对数能量，并计算其离散余弦变换，求出L阶的MFCC，计算L个MFCC倒谱差分参数，将MFCC、一阶和二阶的倒谱差分参数三部分参数组合作为信号的特征向量。
3.根据权利要求1所述基于数据增强和残差CNN的水声目标识别方法，其特征在于：所述对初始特征图像采用传统数据增强技术：调节图像对比度范围：0.1～0.9，0.2～0.8和0.3～0.7，原始信号图可通过调节对比度得到3个生成图；设置图像水平和垂直方向的缩放范围均为0.9～1.1，平移范围为-30～30个像素点。
4.根据权利要求1所述基于数据增强和残差CNN的水声目标识别方法，其特征在于：所述深度卷积对抗网络DCGAN模型包括鉴别器和生成器，且鉴别器和生成器相连，生成器用于生成仿真样本，判别器对样本的真实性进行判断；鉴别器输入图像样本，其结构包括4个卷积核尺寸为5*5的卷积层，滤波器数量分别为64、128、256和512，每个卷积层后包括一个范归一化层和ReLU激活层，最后为一个卷积核尺寸为4*4的卷积层，滤波器数量为1；生成器输入随机噪声，且需要经过投影和重塑，其结构包括3个卷积核尺寸为5*5的转置卷积层，滤波器数量分别为256、128和64，每个转置卷积层后包括一个范归一化层和ReLU激活层，最后为一个卷积核尺寸为5*5的转置卷积层，滤波器数量为3。
5.根据权利要求1所述基于数据增强和残差CNN的水声目标识别方法，其特征在于：所述残差卷积神经网络ResNet18模型，在ResNet18模型的基础上，去掉其中的池化层，并将输入层、全连接层和输出层换为与识别任务相吻合的尺寸，搭建残差CNN模型，输入层尺寸为224*224*1，全连接层尺寸与识别任务中的目标类型数量一致。
6.根据权利要求1所述基于数据增强和残差CNN的水声目标识别方法，其特征在于：所述图像尺寸和ResNet18模型中输入层、全连接层和输出层的相吻合的尺寸为224*224。
