海洋蕴藏着巨大的资源,引起了全世界人们对海洋的探索。但是由于强烈的光吸收和散射,不同波长的光会以不同速率发生衰减,使得在水下获取的图像存在颜色失真,对比度低,可见性明显下降的特征。因此,一些在水下活动的探索面临着极大的困难。如何获得清晰的水下图像,成为了目前一项极具挑战性的任务。围绕这一任务,水下图像增强技术得到快速发展,包括基于传统的方法和基于网络的方法。其中传统方法过于依赖模型,参数求解要求严格。网络方法虽然可以有效解决这个问题,但是其随着网络层的增多,网络模型会出现特征消减、梯度消失的问题,且单一的网络提取的特征有限,导致图像增强过程中细节恢复不均。基于此,本文提出了一种基于金字塔级联网络的水下图像增强方法,该方法可解决现有单一网络提取特征有限且网络传播过程中梯度消减的问题。本文的主要研究工作如下:（1）针对水下图像由于光吸收、后向散射等因素导致的严重色偏、细节丢失等问题,提出一种新颖的金字塔级联网络模型。通过级联多尺度原始图像和相应的特征图像,解决网络传播过程中水下图像梯度消失的问题,获得更优异的颜色校正和细节保持效果。根据水下图像衰减原理可知,对不同类型的水下图像提取不同的特征变得极为重要,据此设计特征提取模块对水下图像进行特征提取。考虑到水下图像处理过程中单一网络提取特征有限,且一种尺度中不易获取的特征在另一尺度中容易获取,设计金字塔级联模块。使其关注到不同尺度的特征,进而增强整体的颜色与细节的恢复。（2）针对单一损失对水下图像细节恢复有限等问题,设计Charbonnier和SSIM联合损失函数对网络进行约束训练,通过更好的处理异常值,有效地解决生成水下图像的伪影问题,提高模型的鲁棒性。此外,该模型中嵌入密集网络块和递归块,避免学习冗余特征图,提高特征的利用率,有效解决多尺度网络参数过多的问题。（3）为使增强后的水下图像颜色校正、细节清晰,使用四种数据集训练金字塔级联网络。同时,通过结合有参考和无参考七种评价指标的客观分析、四种数据集上对基于传统方法和基于网络方法共十种对比方法的主观分析和大量消融实验表明,本文可有效解决在恶劣环境下拍摄的水下图像出现的严重色偏、细节丢失等问题,且具有更好的细节保持效果。同时通过与不同卷积神经网络模型的参数分析可知,本文避免了多尺度网络参数过多的问题,在解决严重色偏、细节丢失、后向散射、视觉感知等方面都取得了不错的成效。