水下声呐技术对海底目标检测有着重大意义,但是海底声呐图片代价昂贵,无法大规模获取。而深度学习算法需要大量的图片数据进行训练,因此无法对海底声呐图片进行处理。此外,X波段导航雷达在对海面进行遥感测量时,能根据所获取的图像实时了解海面状态,进行海面目标检测,但是在回波数据采集过程中会遭受大量噪声和海杂波干扰,从而严重影响后期海面目标检测。考虑到声呐和雷达图像成像原理的相似性,本文在考虑声呐和雷达图像特点的基础上,从图像超分辨重建和图像去噪两方面深入研究这两类图像的增强方法。首先利用循环生成式对抗网络(Cycle GAN)技术生成海底声呐图片。但由于Cycle GAN的局限性,无法直接生成高分辨率图像。因此,本文提出一种相对轻量级的超分辨重建网络对Cycle GAN生成的样本进行图像增强。对于X波段雷达图像去噪问题,本文借鉴基对抗网络盲降噪(GCBD)的思想,提出一种利用生成式对抗网络模拟真实噪声,结合亚像素卷积以及残差网络的降噪处理策略来进行图像去噪的方法。该方法简单易行,规避了复杂的人工数学计算工作。论文的主要研究工作分为以下四个部分:(1)使用Cycle GAN将大量海底光学图片转化为声呐图像。(2)提出一种基于生成式对抗网络(GAN)相对轻量级的超分辨率重建网络。该模型加入了改进后期激励策略的压缩激励网络(ISE),标准测试集的测试结果表明:ISE结构可将图像的峰值信噪比(PSNR)指标提高约0.1d B。同时改进判别器结构和损失函数,使其输出多层融合特征图。这样的改进减缓了加入对抗损失后导致的重建精度下降问题。最后,采用改进的超分辨重建网络重建低分辨率海底声呐图像。(3)使用谱正则GAN模拟X波段雷达图像真实噪声,扩充噪声数据集,并配对大量干净图像,构成去噪数据集。改进降噪卷积神经网络(DNCNN),在网络两端分别加入可逆下采样层和亚像素卷积层提高其感受视野。然后在构建的去噪数据集上使用改进后的网络(FDNCNN)进行训练,实现X波段雷达图像去噪。(4)通过实验验证上述方法的有效性。实验验证了使用Cycle GAN合成低分辨海底声呐图像的可行性。在标准数据集上的对比结果表明,本文提出的超分辨网络优于当前先进的超分辨重建网络RCAN,RDN,EDSR和D-DBPN等。通过实验验证了谱正则GAN能够比较真实地模拟X波段雷达图像噪声。在验证去噪数据集影响力实验中:分别在有谱正则GAN增强数据集、原始噪声数据集、全暗背景数据集上使用FDNCCN进行训练;在验证FDNCNN性能实验中:分别使用DNCNN,快速灵活卷积去噪网络(FFDNet)和FDNCNN在有谱正则GAN增强的去噪数据集上进行训练,结果表明:在谱正则GAN增强数据集上训练时,本文改进后的深度去噪网络FDNCNN能达到最佳的去噪效果。