近年来,海洋科学研究越来越多地依赖自主水下航行器和遥控水下航行器拍摄的水下图像。然而,由于复杂的水下成像环境,自然光在水下会发生吸收及散射效应,导致水下图像出现严重的可视性问题,具体表现为色偏效应、对比度不足、清晰度低。严重的失真不仅影响水下图像的质量,而且限制了水下视觉任务的进展。目前,水下图像处理方法主要包括传统方法和基于深度学习的方法,其中,传统方法由于水下复杂的物理和光学因素,在不同的水下环境中泛化性较差;基于深度学习的方法因为网络结构等原因,在水下图像细节方面的表现不理想。本文围绕水下图像的成像特点,主要采用深度学习的方法来提升图像质量。论文的主要内容及创新点如下:（1）为了更好地恢复水下图像细节,本文提出了基于密集特征融合模块和深度增强模块的生成对抗网络框架,该框架能够端到端地对水下图像进行增强。为了增强生成器的空间信息提取能力,设计了一种具备误差反馈机制的密集特征融合模块,该模块能够利用非相邻网络层特征,避免了在下采样过程中丢失空间信息。同时,所采用的深度增强模块能够结合对应层的特征,逐步细化图像细节,使得网络保留更多细节信息。其次,为了解决生成对抗网络存在的梯度消失和模式崩溃等问题,本文还引入了带有梯度惩罚的WGAN来优化生成器和判别器的训练过程,提高生成样本的多样性。最后,将本文算法与现有算法作对比,本文算法在各项图像评价指标上的得分都是最高的。消融实验也验证了本文提出的密集特征融合模块和深度增强模块在细节特征恢复上的有效性。（2）为了进一步解决水下图像增强算法实时应用的问题,本文提出了一种基于超分辨率的水下图像增强模型,该模型不仅能恢复水下图像的颜色,而且还能以2倍、4倍的尺度提高图像的分辨率,这为实时应用提供方便。模型引入了残差密集块,该结构在提高模型特征保留能力的同时也使得模型的训练变得更加稳定。此外,该模型还引入注意力机制,注意力机制能够帮助网络学习图像的前景区域,重点对图像的前景区域进行增强,从而提高图像的全局对比度。最后该模型采用了多项式损失函数监督其训练,分别对颜色、清晰度以及对比度进行了优化。实验表明,该方法在水下图像增强和超分辨率上的效果好于现有方法。消融实验证明,本文提出的多尺度损失函数对水下增强图像的颜色（UICM）、清晰度（UISM）、对比度（UIcon M）等客观指标有明显提升。最后对水下机器人拍摄的海产品视频进行了目标识别实验,海产品识别率有较大提升,从而验证了基于超分辨率的水下图像增强算法具有良好的应用前景。