近年来,水下成像技术在海底资源勘探、海底生物勘探等领域广泛应用。但不同波长光线在水下的衰减率不同以及水体对光线的散射,导致采集到的水下图像呈现不同程度的退化。具体表现为噪声大、严重偏色以及细节模糊,为水下目标识别和感知等计算机视觉任务带来巨大挑战。因此,开展水下图像增强方法的研究具有重大意义。本研究从不同角度出发,基于Retinex理论和深度学习提出两种水下图像增强方法,具体研究内容如下:传统水下图像增强方法无法对不同退化程度的水下图像自适应增强,单一的增强方法难以同时解决水下图像的多种问题。针对此问题,提出基于Retinex理论的自适应水下图像增强方法。针对水下图像的三类固有缺陷,该方法包含基于统计特征的Retinex颜色校正、基于四方向梯度的各向异性扩散去噪、基于模拟退火的自适应细节增强三个子方法。首先,通过基于统计特征的Retinex颜色校正方法多尺度提取图像的反射分量,并在线性量化时引入图像均值和均方误差。其次,设计基于四方向梯度的各向异性扩散去噪方法消除水下图像的噪声。最后,根据水下图像的具体退化程度,利用基于模拟退火的自适应细节增强方法提高对比度、增强细节清晰度。实验结果表明,该方法能够有效解决水下图像严重偏色、噪声大和清晰度差等问题。现有的基于深度学习的水下图像增强模型通常仅以原始图像作为单一输入,难以从多个光学分量提取图像特征信息。针对此问题,提出基于Retinex理论的UNet水下图像增强方法（RetinexNet）。RetinexNet的网络结构分为辅助网络和主网络,辅助网络基于Retinex理论提取反射分量作为输入,分多个层级与主网络融合。主网络以原始图像为输入,包含多组编码器和解码器。编码器引入注意力机制生成更具辨别力的特征表示。解码器将转置卷积与亚像素卷积结合,最大限度地挖掘特征矩阵信息。在多个数据集上的实验结果表明,RetinexNet在恢复水下图像质量上比其他水下图像处理方法更加有效。此外,消融实验结果表明,RetinexNet的各个创新部分对提升图像质量有着至关重要的作用。本研究提出的水下图像增强方法对提高水下图像质量、去除偏色、噪声、模糊等问题有较好的表现,对于我国海洋生物、海底资源的识别与分析具有重要意义。