水下机器人作为在复杂海洋环境下工作的载体,良好的环境感知能力是提高其安全性和智能化水平的重要基础和关键技术。机器视觉具有丰富的感知信息,对于水下机器人作业及近距离信息感知具有重要作用。针对特殊的海洋环境,研究水下机器人视觉处理技术具有重要的理论意义和实际应用价值。本文主要研究水下目标的识别和定位技术,在查阅和研究国内外相关文献的基础上,主要对水下图像增强方法、水下图像分割技术、水下目标识别及定位方法等具体问题进行了相关的研究工作。针对水下图像模糊问题,提出一种基于最小交叉熵的模糊增强方法,该方法定义了一种新模糊增强隶属度函数,该隶属度函数在反变换时,不会出现无解的情况,则保证了增强处理后灰度信息的完整性。而且函数曲线形状呈S型,通过少量迭代次数就能达到预期增强效果。该方法还结合最小交叉熵分割准则自适应确定临界点阈值,实现对不同的图像自适应模糊增强。实验结果表明该方法有效增强了模糊图像的对比度,效果优于传统的增强方法。针对水下图像光照不均问题,提出了一种结合色调值动态线性变换的矩不变图像分割方法。此方法根据色调值确定动态线性灰度变换的变换参数,进行动态线性灰度变换,增强目标部分,削弱受光照影响的背景部分,利用矩不变分割算法剔除受光照影响的背景部分。对比实验结果验证了此方法对光照不均匀情况下对水下图像目标物分割的有效性。本文在Hu氏不变矩的基础上,重新构造了6个具有平移、比例、旋转不变性的特征不变矩,改进了Hu氏不变矩的比例不变性。以本文构造的6个特征不变矩为基础,构造灰度-梯度共轭特征不变矩,作为BP神经网络的输入,采用BP网络对水下目标进行识别,实验结果表明灰度-梯度共轭不变矩作为识别特征,比以灰度不变矩为特征目标识别率更高。针对水下环境,利用摄像机的几何成像模型结合二次成像法确定目标物在摄像机坐标系下的三维位置,以达到定位的效果。通过摄像机标定确定定位方法中所需的参数。实验结果表明了该方法平均定位误差在10mm以内,验证了该方法的有效性。