水下成像技术在许多领域有着重要的应用,例如水下资源勘探,水下工程建设,水下考古等。然而由于光线在水下传播时会被吸收和散射,导致获取的水下光学图像出现蓝绿色色偏和低对比度等问题。这不仅影响了图像质量,增大了人眼获取和理解图像内容的难度,还影响了计算机视觉系统检测识别的性能。因此,如何有效地矫正水下图像的色偏,提升对比度,以及提升水下图像目标检测识别任务的精度具有重要的研究价值。论文具体研究内容如下:（1）针对水下图像数据不足的问题,提出了一种基于成像模型的水下图像合成算法。首先,将大气散射模型引入到水下成像问题中,并将大气成像中表示光照的常数分解为光照强度和光照颜色以准确地描述水下非均匀光照条件下的成像过程,进而提出水下成像模型。接着,基于最大反射先验理论推导了模型中的光照颜色与强度这两个变量的估计方法。然后,利用单目深度估计方法估计自然图像的场景深度,并用导向滤波平滑深度图。最后,利用上述信息将自然图像合成为水下图像。（2）针对经典卷积神经网络模型无法直接处理水下图像增强的问题,提出了一种基于编解码结构的图像增强网络模型Res Unet。具体来说,先是使用改进的Res Net34作为编码网络的主体,接着设计了桥接模块进一步增大感受野,最后使用多组卷积+上采样作为解码模块。然后,设计了像素层面的均方误差损失函数和语义层面的感知损失函数混合的损失函数监督网络训练。最后,在真实水下图像增强数据集和合成的水下图像数据集上进行了详细的实验,和其它9种典型图像增强算法在主观、客观两个方面进行评估对比。实验结果表明本文算法具有较强的优势。（3）针对成像差异导致清晰图像预训练的检测模型无法直接泛化到水下场景的问题,提出了一种基于退化特征增强的水下目标检测算法。首先,通过实验验证了水下图像增强对于水下目标检测任务具有促进作用,但是作用小且鲁棒性差。接着,通过分析对比浅层模型提取的图像特征总结出原因在于水下降质成像改变了原图像像素的结构和统计特性,模型提取的图像特征发生退化,而图像增强并不能很好的恢复退化特征。然后,设计了一个轻量的特征增强模块FDMUnet。进一步,使用清晰图像和对应的合成水下图像配对训练FDM-Unet的特征增强能力。将训练好的FDM-Unet插入到预训练的检测器中直接进行水下图像目标检测,而不需要对网络进行重新训练或微调。最后,在真实图像和合成图像上验证FDM-Unet的作用。实验结果表明,FDM-Unet以增加极小的参数量和计算量为代价,不仅能直接提升预训练检测器在合成水下图像的检测精度,也能在提升其在真实水下图像上微调后的检测精度。