水声学院周天教授团队成果再获国际学术领域高度认可——发表于《IEEE Transactions on Instrumentation and Measurement》的论文《A Sparse Bayesian Learning Method for Moving Target Detection and Reconstruction》成功入选Web of Science高被引论文，标志着该团队在水下声学阵列信号处理领域的研究成果得到了全球同行的广泛关注与认可。
郭企嘉副教授为第一作者，周天教授为通讯作者，哈尔滨工程大学为独立完成单位。
在复杂干扰环境下的水下移动目标检测，一直是水下声学阵列信号处理领域的研究热点与难点。传统方法基于声呐波束数据，将目标成像与干扰分离视为独立流程，对干扰的适应性不足，在强噪声、强干扰场景下难以实现目标的精准检测与清晰重构。
针对这一行业痛点，周天团队另辟蹊径，结合团队声呐平台研制优势，提出了基于阵列通道数据与稀疏贝叶斯学习的解决方案：将水下移动目标检测转化为多组测量数据中稀疏信号的恢复问题，通过构建分层贝叶斯模型，对稳定干扰成分与时变目标信号进行分别高质量重构。
该方法创新性地将稀疏快变目标和低秩慢变干扰分量进行同步联合重构，实现了干扰与目标的高效分离。仿真与实验结果表明，相比基于波束数据的传统低秩稀疏分解技术，论文提出的方法在去噪、干扰抑制能力上表现显著更优，即使在干扰波动的复杂场景下，依然能保持较强的鲁棒性，精准还原目标轨迹。
该研究不仅为水下复杂环境中的移动目标检测提供了全新的技术范式，也为海洋探测、水下安防等领域的实际应用提供了重要的技术支撑，未来有望在海洋资源勘探、水下救援、水下装备监测等场景发挥关键作用。
《IEEE Transactions on Instrumentation and Measurement》是仪器仪表与测量领域的国际权威期刊，专注于发布该领域的创新性研究成果，在全球相关研究领域拥有极高的学术影响力。此次论文入选高被引，充分彰显了哈工程在水下声学信号处理领域的科研实力，也为相关方向的后续研究奠定了坚实基础。
