水母灾害的频繁发生对人类生活方式以及海洋生态环境造成了严重影响,因此需要对水母进行实时的监测和预警,避免水母灾害造成的影响,经过大量的调查研究发现光学成像检测更适用于对水母的实时检测。而水下环境的复杂多变导致采集的图像退化严重,降低了水母的检测效率,因此需要对水下图像进行增强处理。由于水母种类繁多、特征复杂,为了实现对水母的检测分类我们选择深度学习的目标检测算法对水母进行准确的识别和分类。在研究总结了水下图像增强和水母检测分类算法国内外研究现状的基础上,本文基于数字图像处理理论和深度学习目标检测算法研究对水下图像增强算法与水母检测分类算法进行了研究,主要工作如下:首先对水下偏振图像增强算法、水下普通可见光图像增强算法以及深度学习目标检测算法的理论进行研究,为图像增强和目标检测算法奠定了理论基础;其次针对水下图像严重模糊和色彩退化问题进行探讨,通过对MSRCR算法和水下图像融合算法的研究分析,提出本文改进的水下图像增强算法,并与多种算法进行对比分析,验证本文算法对水下图像的色彩恢复、对比度提升及细节增强等效果;然后针对水下偏振图像退化严重、各角度包含的图像信息不全以及图像可见度低等问题,研究了利用矩阵优化的图像融合算法、图像色彩恢复算法以及基于引导滤波的图像融合算法,提出水下偏振图像融合算法,并与多种算法进行对比分析,验证该算法处理得到目标物体可见度高、图像色彩清晰、信息包含度高的增强图像;最后,针对YOLOv4-tiny算法精度不够高的问题,研究了CBAM注意力机制以及Mosaic增强算法、余弦退火学习率和标签平滑训练方法三种训练方法的网络特征提取能力,提出一种改进的YOLOv4-tiny算法,并与多种改进算法进行实验对比分析,实验结果表明综合改进算法对水母的检测精度更高,能够实现水母实时检测与分类。