当前,陆上环境目标检测技术的发展已经趋于成熟,在检测速度和精度上都有了较大的提升,而水下目标检测的相关研究则进展缓慢,其主要原因有以下两点:首先,不同海域、不同深度、不同时间以及不同浑浊度状态下采集到的图像风格差异较大;其次,用于目标检测训练任务的图像需要预先进行人工标注,而人工标注不仅费时费力,长时间持续标注也可能会由于主观因素导致出现错标和漏标等问题,这些“问题数据”将会直接影响训练出的目标检测模型的检测精度。针对上述问题,本文对水下图像的特征和分布进行了分析,基于生成对抗网络强大的图像合成能力,本文提出了一种跨域水下图像风格转换网络,通过少量带标记图像生成大量带标记并且具有不同风格的水下图像,利用生成的多风格水下数据集训练目标检测网络,提高检测模型的泛化能力。本文的具体研究工作分为以下两个部分:（1）研究基于风格转换的水下图像合成方法。针对水下图像样本中有效数据过少,并且人工标注费时费力的问题,提出一种基于风格转换的水下图像合成方法。本文研究了无监督图像风格转换网络Cycle GAN在水下图像合成的表现,研究发现,Cycle GAN在颜色和纹理迁移上具有良好效果,但对图像内容保留不足,合成图像存在局部细节特征丢失等问题,无法用于目标检测训练。本文针对Cycle GAN对内容语义保留不足的问题,对Cycle GAN的生成器进行调整,并加入恒等映射损失,从而改善合成图像的质量。最后,从颜色和纹理分布对合成图像进行分析。（2）研究跨域水下目标检测问题。针对不同数据集之间的图像跨域导致训练出的目标检测模型泛化能力差的问题,提出一种跨域水下目标检测方法。首先选择部分已标记的水下图像作为源域图像,真实场景中与源域图像具有不同风格的图像作为目标域图像,然后使用跨域风格转换网络将源域图像转换到目标域中;然后利用合成图像训练目标检测模型,并与原始图像训练出的目标检测模型的准确率进行对比,以此来检验图像合成的效果。经过实验证明,合成图像与目标域图像具有相近的颜色分布,并且很好地保留了源域图像的内容信息;分别利用原始图像与合成图像训练目标检测任务,原始图像训练出的目标检测模型在源域图像中具有较好的检测效果,但对目标域图像检测的泛化能力不足,而使用合成的图像训练出的检测模型对目标域图像以及其他域的检测能力更好,能够适应更多场景,泛化能力更强。