由于水下成像环境的复杂,并且受浮沙、浮游生物和光照的影响而动态变化,水下图像往往具有偏色、对比度低、细节信息模糊的特点,原始的水下视频图像很难达到视觉质量的要求。近年来,为了提高水下图像的视觉质量,水下图像增强受到了广泛的关注和深入地研究。随着深度学习在计算机视觉领域的巨大成功,基于深度学习的水下图像增强算法逐渐成为了水下图像领域的研究热点。然而,同时获得大量退化和清晰的配对水下图像是几乎不可能的,缺少训练数据使得深度学习模型的训练变得困难。为此,研究人员采用合成水下图像或人工筛选最佳视觉质量的增强图像作为训练数据。合成水下图像与真实水下图像在逼真度和场景上有着较大的差距,人工筛选增强图像的方式得到的不是真实的参考图像,受主观因素影响可能会导致一些标注上的矛盾。本文针对训练数据不足的问题进行解决,提出了基于域自适应的水下图像增强框架。首先,本文设计了域自适应模型,通过判别学习缩小合成水下图像与真实水下图像在潜在风格上的差异,通过对比学习损失函数保留了合成水下图像的内容信息。在此基础上,本文设计了负样本挖掘模块保证对比学习得到充分利用。然后,本文设计了水下图像增强模型,采用多尺度编码解码模型对水下图像进行增强。最后,本文通过端到端的方式训练域自适应模型和水下图像增强模型。在公开基准数据集上,本文提出的模型性能优于其他的算法。