近年来,城市内涝、客船翻沉、潜水装备沉没等事故频发,造成严重的人员伤亡和经济损失。水下环境的未知性和不可控性,使得抢险难度远大于地面上的抢险工作。为保障抢险人员安全并避免涉水作业,发展智能水下作业装备,在一定程度上代替人类进行水下作业成为亟待解决的问题。视觉感知系统作为智能水下作业装备的“眼睛”,可辅助作业装备“理解”所处环境,对合理规划与控制装备开展水下救援、打捞、环境探索等工作具有十分重要的意义。然而,目前针对浑浊水下光视觉的相关研究较少,且现有的水下图像处理方法适用性受限。本文以提升水下视觉系统的环境感知能力、目标特征分析能力为研究目标,结合浑浊水下环境成像机理,通过理论推导、仿真分析和实验验证,对浑浊水下图像增强和目标特征分析方法展开一系列研究:首先,针对浑浊水下目标可视的浊度区间不明、经典水下成像模型无法有效复原浑浊水下图像的问题,本文通过搭建水下浊度测试平台,分析浊度数据与不同浊度的水下图像,得出浊度的时序变化曲线,进而确定浑浊水下目标可视的浊度区间。同时,配置不同介质类型和浓度的水环境,并拍摄不同浊度与色调的水下图像用于研究光在不同浊度水体中的衰减规律。结合实验采集数据与理论推导,提出参数化浑浊水下图像生成模型并应用于浑浊水下图像复原。模型性能测试结果表明,模型生成图像与实验采集图像的结构相似度、余弦相似度和平均直方图相似度三个指标的平均值达到80.36%,相似度最高可达98.59%。此外,相比其他先进复原模型,所提模型的复原图像在三种质量评估指标的均值上最多可高出对比方法14.23%。说明所提模型符合浑浊水下成像特性,可以用于浊度图像的生成与复原,为后续浊度图像目标特征分析提供理论基础。然后,针对浑浊水下图像存在颜色偏差,且现有图像增强方法忽略原始图像颜色通道分布规律的问题,本文通过分析水体对不同颜色的光的吸收率差异和背景光与场景深度的关系,提出基于深度信息背景光估计的水下图像增强方法。该方法使用全卷积残差网络获取最大深度信息,结合暗通道图和原始图像颜色通道的分布规律,对退化的水下图像进行去雾与色彩校正。实验结果表明,所提方法的增强结果相比原始图像,在平均梯度、NRSS和熵函数指标中平均提升了 2.83倍、1.02倍和1.19倍,且三种指标的均值高于对比方法最优结果9.68%。说明所提水下图像增强方法可以有效增强水下图像质量,为后续浑浊水下图像目标检测与追踪技术的图像预处理提供技术支持。而后,针对现有显著性检测模型对浑浊水下图像检测精度较低的问题,通过分析现有模型提取到的浑浊和清晰水下图像目标特征间的差异,提出基于特征注意对抗网络的显著性检测模型。首先,使用参数化浑浊水下图像生成模型预处理公开数据集,使训练数据具有多种浑浊水下图像特征。然后,以生成对抗网络为基础架构,通过深度图像引导模型聚焦前景目标,并引入空间注意机制和通道注意机制以降低深度图中背景信息带来的干扰。在浑浊水下图像显著性检测应用中,所提模型可以提取到更丰富且完整的目标信息,且平均精度、召回率最高可达81.08%和76.95%,比其他先进的显著性检测模型的最优值提升了 30.13%和48.77%。实验结果表明,特征注意对抗网络模型对浑浊水下图像显著性检测具有更高的精度和更好的适用性。随后,针对常用目标轮廓提取方法,难以准确提取具有复杂背景的浑浊水下图像目标轮廓问题,提出一种具有语义信息的双融合主动轮廓模型。所提模型引入显著图像作为语义信息,通过融合全局和局部拟合强度来提高强度非均匀区域的轮廓提取精度,并通过融合原始水下图像的轮廓信息以补全缺失的显著目标轮廓。在浑浊水下图像显著目标轮廓提取的应用中,相比其他常用的主动轮廓模型,平均绝对误差和错误率分别低于对比模型最优值41.17%和47.83%,检测率为对比模型最优值的1.7倍。实验结果表明,具有语义信息的双融合主动轮廓模型可以滤除复杂的背景信息,并降低目标纹理干扰,更准确地提取出浑浊水下图像的显著目标轮廓。最后,针对现有目标追踪方法对浑浊水下数据追踪精度较低的问题,搭一个基于检测-追踪-校正机制的水下目标追踪框架。该框架针对性改进SSD（Single Shot MultiBox Detector）和 Cascade R-CNN 目标检测网络,使其对低对比度图像检测精度分别提升了 2.4%和2.2%,更适用于浑浊水下图像目标检测。并通过级联匹配方法匹配主检测器（SSD）检测结果、追踪结果和校正模块结果（Cascade R-CNN）,从而确定最终的输出。由浑浊水下目标追踪的应用结果和OTB-100数据集的测试结果可知,相比其他先进追踪方法,本文所提框架在精度、检测成功率和FPS指标上最高分别提升了 15.5%、20.2%和35帧,ID switch降低77次。表明所提框架可以有效追踪浑浊水下目标,且在保证精度的同时兼顾了实时性能。