水下图像在海洋科学研究、水下信息的智能感知等领域中发挥着至关重要的作用。然而,水下图像往往存在颜色失真、低照度等劣化现象,阻碍了水下视觉任务的开展。此外,一些水下图像复原算法的计算、空间复杂度较大,尤其是基于深度学习的方法部署在水下机器人中受到功耗和处理器计算性能的限制,影响了实际的应用。因此,研究水下图像复原及其算法加速具有重要的科学意义和实用价值,本文的主要内容如下:（1）提出了一种基于成像模型的水下图像生成方法,并仿真了超过20,000对模拟不同水体类型及成像条件的水下图像,以解决当前水下图像复原研究领域成对数据集缺失的问题。对比实验表明,提出的生成方法在散射和颜色失真劣化上有效地仿真了水下场景。（2）提出了一种基于水下成像模型的水下图像复原网络。首先,该网络由编解码结构组成。编码器网络提取图像的特征信息,解码器网络分别估计水下成像参数进而通过成像模型重构复原图像。其次,针对复原任务设计了相应的网络模块及损失函数。最后,通过多个维度的评估验证了提出的水下图像复原网络具有较好的复原性能和较高的泛化性,并在一些客观评价指标上优于对比算法。（3）实现了对水下图像复原算法的加速及应用。首先对原始网络进行主体精简化和模块轻量化,然后结合模型剪枝和量化进行模型加速。实验表明,加速方法有效地压缩了参数量和计算量,加速后的网络在保证使用精度的情况下具有较高的模型推理速度。此外,还实现了在移动端设备的部署,推理速度满足实时处理的需求。最后,将复原网络应用于多种水下视觉任务中,验证了其对水下任务的价值。