随着人类向海洋进军步伐的加快,人们日益习惯借助水下机器人（ROV）替代人工完成水下作业任务,例如水下搜寻与排查,水下领航以及海洋养殖捕捞等,但是水下图像存在色偏、模糊、背景复杂、目标生物尺寸变化大等问题,且ROV计算量有限难以部署大型模型,基于上述问题,本文主要围绕水下图像清晰化处理,水下目标检测,以及目标检测模型轻量化的技术难点开展研究:（1）水下图像清晰化处理。针对水下图像存在色偏、模糊、背景复杂等问题,本文利用水下成像与雾天成像的相似性,基于残差除雾的网络的思想,提出将残差结构用于水下图像去噪音处理。为有效的学习更多特征信息,首先,提出基于U-Net网络架构的编码器-解码器,并利用多尺度跨区域连接的方式提取特征信息。其次,使用级联残差组合模块与RFB-Net增强网络对不同尺度特征信息的提取能力,促进网络收敛。最后,用图像融合方法对输出的图像进行色彩与对比度的调整,输出接近真实色彩和对比度的图像。（2）平衡水下目标检测精度与速度。鉴于水下目标检测网络对精度与速度有了更高需求,本文提出以YOLOv5作为基础网络进行改进。改进网络检测层,将网络改为4尺度检测结构,改善小目标漏检的问题。然后,引入坐标注意力,使用多支路聚合的方式,将特征信息进行融合,提升坐标预测精度。最后,修改网络的边框回归函数,训练中使用CIOU计算边框损失,在目标检测的测试过程中,使用DIOU-NMS（非极大值抑制函数）筛选预测框。（3）目标检测轻量化。为实现水下目标检测网络轻量化,使用深度可分离卷积替换标准卷积降低网络计算量,提出了一种目标检测模型的轻量化方法。首先,借鉴Shuffle-Net网络结构,将YOLOv5网络模型的Backbone主干网络进行替换。其次,为提升小比例样本的检测精度,使用Mosaic-Mixup对数据进行预处理,增加样本所占比例。