随着现代化建设的不断推进,我国的工业得到了快速发展,产生的工业废水也在迅速增加,这给废水处理带来了极大压力。对工业废水池中杂物的清理、回收等是废水处理的一个重要环节,但这些废水通常有很大的毒性以及放射性,不适合人工处理。而水下智能机器人凭借其良好的视觉感知能力,能通过自身搭载的视觉图像处理系统精准的获取周围环境信息,被广泛应用于复杂、高危险性的水下作业。因此,针对工业废水池中的杂物清理、回收等工作,对水下机器视觉的研究意义重大。本文以基于单目视觉的水下智能机器人为载体,对水下光视觉技术进行研究,研究内容如下:在水下图像增强方面,针对水下环境中各种噪声干扰的存在以及光的散射和折射效应等因素对水下成像质量的影响,本文结合信息熵和模糊集理论提出一种基于最小相对熵准则的模糊增强方法,来对水下图像进行增强处理。首先根据最小相对熵准则来确定模糊变换的渡越点,然后结合渡越点根据隶属度函数把图像映射到模糊域,并在模糊域内进行图像的增强变换,最后通过模糊逆变换得到增强后的图像。通过与传统增强方法的处理结果相对比表明,该方法能更好的改善水下图像的质量,提高其对比度。接下来对水下图像的分割技术进行研究。针对水下不均匀光照对水下图像分割效果的影响,本文结合图像的颜色信息,提出了一种基于色调和最大类间差的图像分割方法。从水下视觉图像HSI颜色空间的色调H入手,根据目标和背景像素的色调值差异对其进行灰度变换,增加两者之间的灰度差异,并对其进行阈值分割。然后通过与传统的阈值分割结果进行对比分析,证明了本文所提出的方法能得到较好的分割结果,从而能有效地抑制水下不均匀光照的影响。在目标的分类识别方面,本文在传统Hu不变矩的基础上重新构造了 6个同时具有旋转、平移、缩放不变性的特征矩,提取了目标图像的形状特征作为分类识别的依据。针对传统的BP神经网络存在的收敛速率慢、容易陷入局部极小等问题,本文用粒子群算法来优化神经网络的训练过程,设计了基于粒子群优化的BP神经网络分类器用于目标的分类识别。从而有效地提高了网络的收敛速率,限制了其陷入局部极小,并通过仿真实验证明了该分类器在目标识别率上相对于传统BP神经网络分类器的优越性。最后,本文研究了水下目标的三维定位方法。针对传统的单目或双目视觉定位系统在定位之前需要标定摄像机的问题,本文结合BP神经网络,在双目视觉定位原理的基础之上,设计了一种基于BP神经网络的单目三维定位方法,成功地避免了摄像机的标定,降低了系统复杂度。