在水下图像处理中,模糊图像处理是不可或缺的一环。但现有水下图像去模糊算法普遍移植自普通图像,很少考虑水下模糊成因的复杂性和多样性,导致处理效果不理想,水下模糊图像识别率难以提升。本文就水下模糊图像质量损失严重,识别概率低的问题,分析了水下图像的模糊成因。从静动态两方面研究水下图像去模糊算法,提出了改进的去静态和动态模糊算法。在此基础上训练目标识别模型,建立水下模糊图像目标识别系统。在去静态模糊中,通过统计分析大量水下静态模糊图像,明确了水下静态模糊成因及特点。在暗通道先验算法基础上提出了自适应的改进思路,并结合图像增强中的色彩校正算法,开发了本文的水下去静态模糊算法。在去动态模糊中,通过建立模糊模型分析模糊成因、模拟模糊现象。随后,对盲去模糊算法Deblur GANv2进行改进。首先,通过借鉴目标识别领域的网络结构,以FPN+PANet的双塔结构优化网络模型;其次,针对改进前模型训练时损失函数上下震荡较大的问题,提出了以梯度惩罚优化损失函数的解决思路;最后,得到了改进后的Deblur GANv2模型。完成去模糊算法研究后,建立了YOLO-V4目标识别模型。随后,将目标识别模型和水下去模糊算法相结合,进行仿真试验。其中去静态模糊算法在改进前对识别率的提升为0.8%,改进后提升为3.3%;去动态模糊算法在改进前对识别率的提升为7.1%,改进后提升为9.03%;结合动静态的去模糊算法在改进前对识别率的提升为6.3%,改进后提升为9.5%,从而验证了去模糊算法对目标识别率提升效果以及改进后去模糊算法对目标识别的有效性。在此基础上,分析了水下模糊图像目标识别系统的功能性和非功能性需求,提出了系统的总体设计并完成了各个模块的详细设计与实现。完成系统搭建后,验证了系统的功能性和非功能性需求。经验证,该系统提供了完善的目标识别和去模糊功能,具有简洁直观的操作。