随着技术的不断发展,人们对海洋世界的探索需求日益增大,国内外更多的学者将目光转向了对水下图像的研究工作。由于水下图像成像特点导致水下图像存在着低对比度、色偏等问题,严重影响了水下资源的探索与开采等工作。本文基于现有的DCP暗通道去雾算法针对水下图像存在的问题进行改进,设计一种适用于水下图像的图像增强算法,并针对水下图像内目标的特性,基于现有最新版本YOLOv5s目标检测算法进行改进,提出了一种水下图像增强与目标检测算法。在水下图像增强算法的研究中,由于水下图像的数学模型与大气雾化图像模型较为接近,因此本文算法基于传统的大气去雾算法DCP暗通道先验算法进行改进。主要针对差值图像获取、水体背景颜色估计、透射图获取、图像恢复、颜色校正五个方面进行改进,实现水下图像的增强,并计算均方误差MSE、UCIQE、SSIM三个水下图像质量评价指标,与原始算法进行对比实验验证本文算法的有效性,为后文目标检测算法的研究提供了良好的条件。本文目标检测算法研究是基于YOLOv5s网络模型进行改进的。虽然YOLOv5s算法性能优越,但面对水下环境中小目标较多的特性,常出现检测效果不佳等情况,且水下作业相对检测速度更加注重检准率,因此本文将检测速度保证在可以接受的范围内尽可能提升目标检测算法的小目标检准率。由于水下图像数据采集较为困难,因此需要改进原始算法中的数据增强模块,提升小目标检测精度。引入注意力机制MCA提升各尺寸目标的检测精度,最终引入加权框融合WBF方法代替原始算法的非极大抑制NMS方法,更多地保留图片的有效信息,获得更准确的预测目标框,提升算法精度。最终,本文以国外网站水下图像数据集RUIE为基础,通过所提出的水下图像增强算法的处理后,输入目标检测算法进行模型训练,以均值平均精度m AP为性能评价指标进行目标检测算法的测试与对比实验。通过分析输出结果表明本文方法取得了优异的性能,进而证明本文算法可以更好地适应水下目标检测任务,且具有更好的应用前景。