水声目标定位与跟踪综述：进展、挑战与展望

摘要——水下目标跟踪技术在海洋资源勘探、环境监测和国家安全等领域中发挥着关键作用。由于声波在水域中具有良好的远距离传播能力，水声目标跟踪已成为水下通信与网络研究中的重要方向。现有综述文献往往视角狭窄，或未能充分讨论深度学习、强化学习等新兴技术所带来的范式变革。为填补这一空白，本文系统地回顾了该领域的发展，提出了一种基于目标尺度、传感器感知模式和传感器协同方式的多维度分类框架。在该框架下，我们系统梳理了2016年至2025年间的相关研究文献（共180余篇），内容涵盖水声目标跟踪的理论基础与多种算法方法。特别地，本文强调了深度学习和强化学习等机器学习技术在提升水下跟踪系统性能与适应性方面的变革潜力和最新进展。最后，本文总结了当前面临的主要挑战，并基于联邦学习、区块链、具身智能和大模型等新兴技术，提出了未来研究的发展方向。关键词——水声目标跟踪，通信与网络，状态估计，深度学习，强化学习，数据融合。

一、引言

海洋蕴藏着丰富的资源与能源储备，既是关键的资源宝库，也是人类可持续发展的重要战略空间，近年来受到了全球越来越多的关注。同时，海洋生态系统为人类提供了不可或缺的生态服务，如气体调节、养分循环和废弃物处理。此外，海洋控制权也是维护国家安全与主权的重要保障手段 [1]。因此，高效利用海洋资源、加强海洋生态保护、维护国家海洋权益，已成为国际社会的广泛共识 [2]。水下目标的精确有效跟踪在海洋资源的勘探与保护以及海上安全的维护中均至关重要。作为海洋科技研究的核心方向之一，水下目标跟踪技术受到了高度关注。近年来，传感器性能的提升、多源信息融合技术的发展以及人工智能的快速进步，极大地推动了该技术的发展，使其在国防安全 [3]、环境监测 [4]、资源勘探 [5]等多个领域实现了广泛应用。然而，受海洋环境复杂性与目标多样性的影响，水下目标跟踪技术的发展仍面临诸多挑战 [6]。海洋环境会显著影响信号传播特性 [7]，而水下目标往往具有高机动性和隐蔽性 [8]。常规的陆地跟踪媒介，如电磁波和激光，在海水中存在严重的吸收与衰减，难以胜任水下应用 [9]。相比之下，声波是唯一能够实现远距离水下传播的介质，因此成为水下目标跟踪的主要手段。图1展示了典型的水声目标跟踪场景，其中移动目标发出声信号，通过水体介质传播，被部署在特定海域的空间分布式传感器阵列所接收。这些传感器配备通信模块，能够周期性地采样声音信号，并共享测量数据与计算结果。该场景揭示了水声目标跟踪系统的三大核心组成部分：（1）两个关键实体，即水声目标与传感器节点；（2）通过声信号传播与接收实现的目标-传感器交互；（3）通过通信链路建立的传感器间协同关系。

A. 建立多维分类框架的动机

水声目标跟踪在海洋探索中发挥着关键作用，因其在军事与民用领域的广泛应用，长期以来受到学术界的广泛关注。已有的相关综述对该技术进行了较为系统的总结 [10]–[14]。此外，人工智能、大数据分析与先进传感技术的融合，为该领域带来了前所未有的技术突破机遇，正成为推动未来海洋科技创新的重要驱动力。然而，现有综述文献存在两个显著局限性 [15]： * 首先，尽管水声目标跟踪涉及多个研究维度，但现有综述往往采用单一视角或狭隘场景框架，导致其难以适用于不同应用环境，也阻碍了读者和研究者对问题场景的系统理解； * 其次，大多数综述发表于深度学习等新兴技术广泛应用之前，未能涵盖深度神经网络在测量数据分析、深度强化学习在传感器控制协调中的前沿成果。因此，它们未能反映正在发生的范式变革。

上述研究缺口表明，迫切需要一篇系统性综述，能够全面整合水声目标跟踪的基础方法与最新进展。

B. 综述范围

如图2所示，近年来水声目标跟踪技术的研究热度持续上升，相关文献数量迅速增长。本文系统分析水声目标跟踪的问题场景，梳理其关键组成要素，提出了一个三维分类框架，包括：（1）目标尺度，（2）传感器感知方式，以及（3）传感器协同模式。此外，本文对深度学习、强化学习和数据处理技术与传统跟踪方法的融合进展进行了综述，并在表1中对比了本综述与已有相关综述之间的差异。

C. 本文贡献

据我们所知，本文是首个针对水声目标跟踪研究的系统性多维度综述，全面总结了该领域的基础方法与技术前沿成果，主要贡献包括： * 提出全新的多维分类框架：与以往单一维度的分类方式不同，本文提出的框架结合了目标尺度、感知方式与协同模式三个关键维度，不仅揭示了水声跟踪系统的多样性与复杂性，还建立了跨维度的映射机制，帮助研究者从多角度审视方法体系，克服传统综述的局限。 * 深入分析跟踪算法中的新兴技术：系统探讨了深度学习与强化学习如何革新动态水下环境中的自适应算法设计，弥补了现有综述对这些技术突破关注不足的问题，为研究者提供了先进方法的集成参考与未来研究的创新路线图。 * 构建结构化的算法对比分析体系：通过详实的对比表、技术路线图与案例分析，提炼出各类跟踪方法的基本原理、特色优势与性能指标。这一结构化分析方法既有助于快速理解方法核心，又为实际应用中的技术选择与优化提供了实用参考。 * 揭示关键挑战并提出未来研究方向：通过系统评估，识别出海洋环境建模、低信噪比信号处理与数据共享等关键瓶颈。在此基础上，提出涵盖算法优化、技术融合、工程实施与数据协同的多维研究框架，为跨学科研究奠定理论基础，也为后续工作提供了可操作的指导路径。

本文结构安排如下：第二章介绍水声目标跟踪的基本理论；第三章从目标尺度、感知方式与协同模式三方面分类方法；第四章探讨深度学习与强化学习在水声目标跟踪中的作用；第五章总结当前挑战与未来发展方向；第六章为结论。图3展示了本文如何基于上述分类与机器学习应用，系统整理2016至2025年间的180余篇文献。