水下目标检测是水下机器人视觉系统中的重要组成部分,也是实现自动水下垃圾处理的关键技术之一,其通过从图像中提取目标的特征,准确的识别并定位目标,为后续的跟踪或捕捉提供了重要依据。传统水下目标检测方法需要人为定义特征,对目标变化的适应能力较差。本文采用深度学习方法对水下垃圾目标检测进行研究,采用trash＿ICRA19数据集与自行采集的水下垃圾数据,以水下垃圾与生物目标（塑料、金属、鱼类等）作为检测对象,从水下图像增强、检测模型改进两个方面展开研究,本文主要工作如下:针对水下垃圾图像存在光照条件较差、目标与背景差异较小等问题,设计了一种自适应亮度与对比度增强的水下图像预处理算法（AEBC）,使用窗口采样的方式统计图像背景的亮度信息,自适应的调整图像的饱和度与亮度,并使用CLAHE算法提升图像的对比度。在不影响检测任务实时性的基础上,有效改善了水下图像质量。为了进一步提升水下垃圾的检测准确率,采取多种方法对PP-YOLO模型进行改进,首先针对水下环境目标与背景接近,定位难度较大的问题,提出一种自适应多尺度融合结构,充分的利用多尺度信息改善模型的检测准确率,并设计了自适应通道分配模块进行多尺度融合的通道数分配,与一种改进的空间特征过滤模块抑制不同尺度特征的不一致性,作为特征金字塔的补充,在不显著增加模型参数量的基础上提升了检测准确率;其次为了进一步提高模型的定位精度,使用完全交并比损失替代了普通交并比损失,完全交并比损失对目标的定位损失衡量更加全面,有效的提升了模型的检测能力。最后通过实验验证各部分改进的有效性,实验结果表明,各部分改进均有效提升了准确率。改进后的模型在trash＿ICRA19上检测准确率达到92.1%,在自行采集的数据中检测准确率达到89.5%,检测速度为25FPS,满足实际应用的需求。