目前,经济全球化的逐渐深入和能源需求的日益增长,海洋资源特别是深海资源的探测、开发与利用日益被众多科技发达国家所重视。海洋科技作为高新科技一个重大领域,其快速发展推动了智能水下机械设备替代人力实现自主化海洋防护以及管理。水下自主航行器（Autonomous Underwater Vehicle,AUV）作为一款可在水下自主作业的智能探测装置应运而生。AUV利用机载感知系统感知周围环境。作为感知系统重要组成部分的水下视觉感知系统,因具备类似人类视觉系统直接获取环境可视化特征的优势受到学者们普遍重视,已迅速发展成为了领域内热点的研究课题。然而,水下图像模糊、干扰、异物遮挡等现象造成目标特征不完备,且水下数据样本匮乏难以满足深度学习对数据的需求,给AUV精准识别水下目标任务带来了巨大挑战。针对上述问题,本文提出多个基于深度学习框架的水下遮挡图像重构和目标识别模型以实现水下遮挡目标的精准识别。主要研究内容如下:（1）提出一种场内外特征融合的水下残缺图像修复方法。首先,利用改进的动态记忆网络（DMN+）算法融合残缺图像特征与相关的场外特征,生成包含场内外特征的残缺图像优化图;其次,构建带有梯度惩罚约束条件的生成对抗网络,指导生成器对优化后的残缺图像进行粗修复,获得待修复目标的粗修复图;最后,通过相关特征连贯模块进一步优化粗修复图,得到最终的精细修复图。（2）提出一种基于环境特征融合的水下精细重构方法。首先,基于对比学习构建图像显著特征提取模块以获取图像的显著特征;其次,构建分层的环境特征注意机制检索模块,获取具有相关性的环境特征信息;最后,基于WGAN（Wasserstein Generative Adversarial Networks,WGAN）网络构建带有梯度惩罚约束条件的由粗到细的图像重构模型,生成精细重构图像。（3）提出一种基于显著环境特征融合的水下遮挡目标识别方法。首先,分别构建目标显著特征提取模块和环境特征注意模块,获取目标的显著特征和相关的显著环境特征;其次,利用图神经网络（Graph Neural Network,GNN）构建目标显著特征和相关环境特征的对比图结构;最后,利用对比图结构中目标和背景的交互作用,构建水下遮挡目标识别模型,实现对遮挡目标的精准识别。（4）提出一种基于两阶段图像重构策略的水下遮挡目标识别方法。首先,利用所提水下残缺图像修复模型和水下精细重构模型实现对获取的原始水下图像进行预处理,提高待识别目标的图像质量;其次,构建具有特征自适应边界回归的目标识别模型,弥补因标注过程不确定性造成的真实边界框中模糊现象;最后,利用所构建的两阶段图像处理策略,实现对水下残缺目标的重构与识别。（5）基于实验室软硬件平台,对本文所提各算法模块开展系统性验证实验,实验结果表明,与现有具有代表性方法对比,本文所提方法在各场景中均获得了最优性能。