水下目标识别与定位技术主要由图像预处理、增强与复原、目标识别与定位等模块构成。图像预处理操作主要是对图像进行去噪及灰度处理,利用尽可能少的原子信息来保持原始图像的结构和纹理信息,预处理完成后需要恢复图像失真的颜色来增强图像的亮度。论文首先对水下目标识别定位技术的研究现状进行阐述,并对水下图像增强算法、深度学习及目标检测算法等进行分析研究,YOLO-v4是一种典型的单阶段目标快速检测算法,且具有较高的检测精度和速度,因此论文结合水下目标的实际应用场景,对YOLO-v4算法的输入端锚框、数据增强方法及损失函数等进行改进,通过对网络模型改进方法进行评估及实验验证,结果显示能够充分提高水下目标识别准确率;最后借助双目立体视觉定位系统,并结合相机标定及立体匹配技术实现水下目标的定位。论文从水下图像处理技术的应用发展着手分析,对水下目标的识别与定位关键技术进行研究,主要包括以下内容:（1）针对水下环境复杂多变,水下成像会使得观测对象产生颜色失真及对比度低等问题,采用基于水下光学成像模型的多尺度图像增强方法。首先借助水下光学成像模型,将灰度世界算法应用于水下图像预处理;其次采用K-SVD算法来构建针对信号内容训练原子的策略,并以此实现基于信号稀疏表示的超完备字典;最后通过以物理模型为基础的蓝绿通道增强算法来实现图像去雾化,并设计了基于Open CV的图像增强软件进行对比实验,实现图像增强效果。（2）针对传统图像识别算法在水下复杂环境中对目标识别准确率较低且提取特征时鲁棒性不足等问题,设计了一种基于YOLO-v4的改进算法。首先主要对原始输入端锚框机制进行分析,采用一种新的锚框计算方法K-means++算法来完成精准锚框选择;同时提出一种基于几何和光度变换的图像数据增强策略来优化训练网络,提高了水下目标检测模型的精度和算法的检测速率;最后通过对原输出端损失函数的性能分析,采用损失函数EIOU来对模型性能进行优化,提高损失函数的收敛速度。在论文实验环境下,改进后的网络模型平均准确率达到98.37%,图像每秒传输帧数达到35.69FPS,相比于原算法提高了4.4%,即改进算法比原算法每秒多检测1.52张图片。（3）为了获得水下目标的三维坐标信息,协助水下平台完成目标定位任务,通过对双目立体视觉系统及水下成像模型的定位原理进行分析研究,结合双目相机标定及立体匹配技术,建立三种坐标系:世界坐标系、相机坐标系及图像坐标系并对其转换关系进行研究,搭建双目立体视觉系统模型,结合实验场景设计实验方案,通过数据分析可得,在系统误差允许范围内,定位精确度较高。