有缆水下机器人（Remotely operated submersible,ROV）作为探索水下世界的主要工具,广泛应用于水产养殖、资源探索与科研教学等方面。复杂水域环境下ROV自主作业一直是研究热点,本课题在国家自然科学基金科研项目（51809128）和镇江市产业前瞻与共性技术项目（GY2018018）的资助下,开展对ROV水下目标检测研究,主要研究内容如下:第一,ROV整体方案设计。将ROV系统分为硬件与软件两部分,硬件部分按功能划分为机械结构、控制装置、感知装置与执行装置,考虑到水下作业特殊性,系统硬件在选型与设计上注重防水性、耐压度及稳定性。设计并实现了信息采集与传输、图像处理、水上控制软件、水下主控程序等系统软件,实现对水下机器人的运动控制与信息显示,为后期水下目标检测提供硬件与软件支持。第二,ROV水下视频图像处理算法研究。充分分析比较水下图像增强与复原两种处理方法,在暗通道去雾图像复原处理的方法上,针对水下成像过程中波长较长的可见光会被水过滤掉,导致水下物体成像发蓝,信号衰减系数不均匀,控制反向散射随距离增加的系数不同于信号衰减系数等特殊情况,利用图像深度信息重构水下成像模型,复原出水下无水图像,得到图像陆地环境下的外观、颜色和可见性,为ROV水下目标检测提供高质量水下图像。第三,基于深度学习的ROV水下目标检测网络研究。针对水下作业环境复杂与ROV本身特点,对主流目标检测网络进行详细研究与分析,并将其分别应用在ROV水下目标检测上,通过检测效果对比,选用Retina Net作为目标检测网络基本模型。将深度分离卷积与可变形卷积相融合,构建深度分离可变形卷积代替原始卷积,采用Dens Net替代原始网络中Res Net作为特征提取主干网络,对Retina Net进行改进优化,提高检测速度、增强检测适应性、提升检测精度。最后,实验验证ROV水下目标检测方法效果。首先对ROV系统本身进行水下性能测试,然后分别验证提出的水下图像复原处理方法与Retina Net的改进对水下目标检测效果的提升,最后在真实水域下进行ROV水下目标检测实验。实验结果表明,提出的ROV水下目标检测方法效果良好,符合预期要求。