海洋蕴含着金属、天然气以及石油等资源,是现阶段最热门的勘探领域之一。通过人工的方法收集海洋信息不但对潜水作业者的身体伤害很大,而且工作效率也极低。水下机器人因其灵活、下潜深度大以及多功能等优势,成为海洋勘探的重要手段。但是,海洋环境较为复杂,受水介质以及悬浮颗粒的影响,自然光进入水下会产生吸收与散射,使得机器人拍摄的图像经常带有严重的色偏与雾化。同时,受海洋地形的影响以及拍摄设备的限制,水下图像还存在着细节模糊、分辨率低等问题。这些问题使得水下机器人难以在图像中获取到所需信息,影响了机器人对目标的识别与抓取,进而加大了水下作业的难度。因此,研究水下图像增强（颜色校正、去雾化）以及超分辨率（恢复图像细节）方法具有较高的理论意义与应用价值。但是,能够同时兼顾这两方面任务的方法较少。为此,本文提出了一种能够同时实现图像增强以及超分辨率的生成式对抗网络模型。此外,考虑到大型网络图像处理速度较慢,并且难以在移动平台部署的问题。本文同时提出了另外一种轻量级图像增强与超分辨率网络。本文的研究内容主要包含以下三点:（1）本文提出了一种水下数据集的制作方法,缓解了水下图像难以采集的问题。本文采用两种方法来获取海洋原始图像以及相同场景对应的清晰图像。第一种方法:首先从潜水视频中截取水下图像,然后利用传统图像增强算法获取增强后的图像（清晰图像）。第二种方法:首先获取室内图像（清晰图像）,然后利用水下成像模型对室内图像增加特殊效果,形成模拟的水下图像。（2）本文提出了一种能够同时实现水下图像增强以及超分辨率的生成式对抗网络模型。利用该模型可以对水下图像进行颜色校正、去除雾化效果,同时能够恢复图像细节信息。该模型的生成器是由图像融合模块、特征提取模块与图像增强超分辨率模块所组成,判别器选用的是Patch GAN结构。（3）本文提出了轻量级图像增强以及超分辨率模型。针对大型神经网络模型部署困难、数据处理速度慢等问题,本文提出了另外一种轻量级图像增强与超分辨率网络。该网络模型具有更小的体积、占用更少的资源,具有易于部署、运算速度快等优点,可以用于实时处理水下视频数据。实验表明,本文提出的对抗网络模型处理后的水下图像在视觉效果方面优于其它方法。对于轻量级网络,在保证图像质量的前提下,处理时间仅为对抗网络模型的60%,与其它方法相比具有速度优势。