水下机器人对海产品自主检测和自主抓取、水下航行器自主航行以及水下工程探测等研究领域都是建立在熟悉海洋环境的基础上,在不了解海域环境的情况下,将会造成严重的后果。因此,高清的水下图像是开展海洋研究的重要条件,但受到洋流和拍摄相机抖动的影响,导致拍摄出来的水下图像存在色偏、对比度不足和图像模糊等现象,获取和拍摄高清的水下图像是困难的。同时,视觉感知对于机器人本身来说是非常重要的,因为它可以提升水下机器人对海产品分类和检测的精度,提高对海产品的抓取效率。针对上述问题,本文提出一种基于超分辨率的水下图像清晰化方法。深度卷积神经网络是实现超分辨率算法的方法之一,并在处理相关问题中取得了不错的效果。现有的大多数基于卷积神经网络的超分辨率方法主要侧重于更广泛和更深的网络结构设计,并且忽略了上下文信息和探索卷积层与卷积层之间特征的相关性,这些信息扮演着十分重要的角色。本文提出一种基于注意力机制的多阶段特征融合网络,该网络由两部分组成,分别是基于注意力机制残差组网络和基于多阶段特征融合网络。基于注意力机制残差组网络目的是获得局部和全局的上下文信息和高频的语义信息,以及探索局部特征和非局部特征间的依赖性,该方法由四个模块组成:局部特征提取器、非局部特征提取器、多信息融合注意力模块和平衡因子模块。基于多阶段特征融合网络利用不同深度的特征图,目的是加强特征间的依赖关系,进一步提取特征的上下文信息和空间信息,以此来提升特征表达能力。另外,基于多阶段特征融合网络能够学习像素点间的相关性,对图像细节和全局对比度进行增强。实验结果表明,通过对重建图像的定量和定性分析,验证了本文提出方法的有效性。此外,消融实验验证了基于注意力机制残差组网络中每个模块的作用,进一步提升网络的判别能力和泛化能力。最后,本文提出的方法在实际应用中,可以提高图像的质量,进而提高水下智能捕捞机器人对海产品检测的精度和抓取效率。