1.一种基于多模型融合的单类水声目标识别方法，其特征在于：包括以下步骤：步骤1：获取N个单类水声目标类信号作为样本信号，对样本信号进行FFT变换，得到每个样本信号频谱的幅度谱，所有样本信号频谱的幅度谱组成训练样本矩阵；利用训练样本矩阵训练深度自编码神经网络；

步骤2：利用步骤1训练好的深度自编码神经网络，提取单类水声目标的特征，构成初始训练样本集步骤3：根据训练样本个数N，初始化样本权值步骤4：设置循环代数T，并令迭代标记t＝1；

步骤5：按照概率pt(i)从初始训练样本集X中抽N个样本组成训练样本集Xt，其中步骤6：利用训练样本集Xt和n折交叉验证法选择第t代SVDD分类器的核参数(Ct,σt)；

步骤7：利用训练样本集Xt和核参数(Ct,σt)训练SVDD单类分类器ht；

步骤8：计算SVDD单类分类器ht的加权分类错误率 其中ht(xi)表示将样本xi放入分类器ht中得到的分类结果；

步骤9：更新样本权值：

其中

并进行归一化处理

步骤10：判断t＝T是否成立；若成立，则转至步骤11；若不成立，则取t＝t+1，转至步骤

5；

步骤11：步骤11：利用训练好的深度自编码神经网络提取测试信号的特征，构成测试样本y；

步骤12：对测试样本y进行识别，判断测试样本y是否是目标类，判断公式如下：其中分类器权值为 如果H(y)≥0，测试样本y判为目标类；如果H(y)＜0，测试样本y判为非目标类。

2.根据权利要求1所述一种基于多模型融合的单类水声目标识别方法，其特征在于：步骤8中，计算SVDD单类分类器ht的加权分类错误率 后，如果εt≥0.5或者εt＝0，判断t是否等于1，若t等于1，则报错，否则，取T＝t-1，并转至步骤11。