随着全球经济的不断发展,海洋垃圾对海洋生物、水质等海洋资源的影响已经受到了各国的广泛关注。目前,海床垃圾的清理作业主要依靠潜水员水下打捞作业完成,受限于人体特殊的生理结构,潜水打捞工作具有无法长时间作业、存在生命安全隐患、无法深入深海地区等缺点。因此,研究和开发具有水下环境感知、水下自动路径巡航、水下捕捞作业等功能的水下机器人对解决海洋垃圾打捞问题有着较高的理论意义和使用价值。水下目标的分类和定位是水下环境感知的重要组成部分,其结果将直接影响后续的机械手捕捞作业。在大型陆地图像数据集的、以分类与定位为目标的检测任务中,基于深度学习的目标检测算法的分类与定位检测结果较好。然而在水下图像数据集的检测任务中,由于恶劣的水下成像环境原因,水下图像多呈现出模糊、失真、低对比度等特点,且受限于设备、人力等因素,水下图像的采集和标注代价颇高,数据无法大规模获取,因此无法通过现有的检测算法获得较高的分类和定位精度。针对水下可回收垃圾的分类与定位的检测任务,本文主要研究工作和研究内容如下:1.分析了水下图像退化的主要原因和成像模型,结合多种已有图像增强算法构建了一个用于水下图像增强算法训练的小样本数据集,并在成像模型的基础上,提出了基于深度学习的图像增强算法。该方法通过成像模型构建了一个卷积神经网络来计算成像模型中的参数,实现了水下图像颜色的校正和细节的增强。2.使用以分类与定位为目标的目标检测算法,针对构建的水下数据集数据量和类别相对较少的特点,在特征提取部分,修改了密集连接网络的结构,引入残差机制来构建一个基于残差密集连接网络的特征提取网络Res Dense Net。该网络结合了残差网络和密集连接网络的优点,无论在参数量、计算量、特征提取能力方面和现有特征提取网络相比都有着一定的优势。在特征融合实现部分,引入改进的空间金字塔池化结构和自适应空间特征融合结构来加强网络不同层次间的多尺度特征的融合,增强了目标检测算法对于不同尺寸目标的分类与定位的检测性能。在先验框生成方法中,引入Kmeans++算法,解决了Kmeans算法聚类中心生成不稳定的问题。在损失函数的位置损失中,提出使用基于CIOU的位置损失来替代原网络的平方差损失。3.构建了一个水下目标检测算法UWNet,在分类与定位方面,通过实验验证UWNet算法的检测性能。设计和实现一个基于深度学习的、以分类与定位为目标的水下垃圾目标检测系统。系统将图像增强、分类与定位、模型训练、可视化等功能进行了整合,方便了操作员使用系统的各个功能。