在浑浊水中,由于受到散射介质对光波的散射和吸收的影响,目标探测的可见度显著降低,传统光学成像的对比度和清晰度严重下降,图像质量已经不能满足实际应用的需求。偏振作为光波的基本物理特性之一,对偏振信息的获取能得到更多维的目标信息。偏振成像技术利用浑浊水下散射粒子的偏振特性,分析由粒子散射和反射带来的部分偏振光,进而可以通过去除背向散射光实现图像质量的提升。但是在强散射介质环境下,仅依靠偏振成像技术进行图像复原效果较为有限。为提升偏振成像技术在高浓度浑浊水下的复原效果,本论文以偏振成像理论为基础,将深度学习技术引入水下偏振成像领域,研究了在高浓度浑浊水下灰度图像的复原方法,以实现对水下目标场景高质量的成像。主要工作包括:1、搭建了两种基于Lab VIEW平台的水下偏振成像系统,分别为基于分时偏振成像和基于分焦平面偏振相机的水下偏振成像系统。使用搭建的偏振成像系统进行水下偏振图像采集:包括清水下的清晰偏振图像和浑浊水下的模糊偏振图像,并将采集到的图像制作为神经网络的数据集。2、构建了用于灰度偏振复原的神经网络——偏振密集连接神经网络,可以对输入网络的偏振图像进行充分的特征提取,有效地利用偏振信息用于图像复原。并为神经网络设计合适的损失函数:在光强损失的基础上引入偏振损失,这种设计可以让网络进行光强复原的同时还能兼顾偏振信息的保留。最后,介绍了网络基本参数的设置方法。3、对网络性能和实验结果进行了分析。首先介绍了四种图像复原质量评价方法,并根据这些方法分析最终网络模型的效果,展示损失函数和网络结构参数对网络性能的影响。另外,将偏振网络分别和单一光强网络以及两种比较有代表性的传统散射环境下图像复原方法对比,结果表明:偏振网络的复原结果要比其他复原结果都更加清晰,在各项指标下都获得了最好的评价。最后,针对水下目标识别的需求,提出并实现了利用偏振网络对水下成像中偏振信息的复原,并获得了较好的复原效果。