由于复杂的水下环境以及光在水中的衰减,相机拍摄的图像质量严重衰退,会出现色偏、模糊、对比度低等退化现象。这些退化的水下图像在显示和分析时存在一定的局限性,例如,模糊度高,色偏严重的水下图像会大大降低对海洋生物识别的准确率。因此,为了克服退化的水下图像的局限性,得到高质量的水下图像,水下图像增强技术显得尤其重要。基于该问题,本文在循环一致性对抗网络的基础上提出一个改进的生成对抗网络模型,该模型能在保留图像内容的前提下充分学习非配对浑浊水下图像和清晰水下图像之间的映射,将浑浊水下图像转换成清晰水下图像,实现对水下图像的增强。主要工作内容如下:（1）本文认为一张图像具有特征空间,风格空间和结构空间。受不同水下作业场景影响,不同的图像在表观风格和结构上存在较大差异,因此,不同域的水下图像难以共享相同的风格空间和结构空间。而受水下目标物影响,不同域的水下图像应共享同一特征空间。（2）本文设计了一个循环一致性对抗网络实现水下图像的增强。该网络针对三个空间对基础网络进行改进,具体方法为:针对特征空间,为了更好的保留原始水下图像的特征,用特征提取器提取图像特征,增加一对特征判别器鉴别提取的特征是否为输入水下图像的特征,并采用特征损失约束这一过程;针对风格空间,本文基于Shade of Gray设计了色彩偏差损失,用于约束不同域图像之间的颜色迁移效果;针对结构空间,增加结构相似性损失约束图像在结构细节上的增强效果。（3）由于本文提出的网络模型具有循环一致性,该模型具有双向映射的特点,在实现水下图像增强的同时,其后向映射过程能够将清晰的水下图像转换为浑浊的水下图像,进而构建浑浊水下图像合成数据集,该数据集可以用于端到端的深度学习训练中。通过对本文增强方法进行定性定量的比较,大量实验结果表明,本文方法增强的水下图像与其他几种现有的增强方法相比获得了更好的视觉质量,能有效去除浑浊水下图像的色偏,提高图像对比度和降低模糊。另外在特征点检测与匹配实验中,也起到了明显的提升作用。