近年来,基于深度学习技术进行图像分析在计算机视觉领域备受瞩目,对水下图像中的目标检测技术在海洋资源的开发利用、推动海洋经济发展等方面都具有广阔的应用前景。然而,现阶段的水下目标检测仍然存在两个主要问题:（1）基于深度学习的目标检测算法大多以陆地场景图片为背景训练开发,在水下场景实际应用时,实测的检测性能离具体工程应用仍存在一定差距。（2）现阶段目标检测深度学习方法中,双阶段检测算法进行了两次回归和分类,计算量和模型的复杂度较高,难以直接在计算资源有限的水下嵌入式设备中应用,无法满足水下目标检测的实时性需求,单阶段检测算法的速度快但是精度偏低,难以做到检测精度与速度的平衡。针对当前深度学习算法在水下应用中存在的问题,本文基于单阶段的网络结构,提出一种端到端的单阶段水下目标检测算法,该算法对单阶段检测网络中的数据处理模块、特征融合模块、检测模块分别进行了针对性的改进,使之适用于水下目标检测,主要包括以下内容:（1）为了解决水下图像数据集中训练样本不充足的问题,本文提出了一种可扩展水下目标数据多样性的数据增强算法,并在训练水下图像的过程中,加入了该数据增强模块,使检测模型可应对复杂多变的水下场景,改善模型对训练样本数目的依赖性。在不引入额外的测试时间和计算资源成本的前提下,进一步提高检测的精度。（2）针对水下特殊的背景环境,对单阶段检测模型中的特征融合模块进行了改进。设计了多尺度膨胀卷积模块对提取到的图像特征进行归一化处理,弥补了原有结构对低分辨率水下目标特征的压缩过程中信息缺失严重的问题。并且通过交替上下采样的方式对相邻的特征组进行双向融合,改善了原结构中自顶向下的单向融合路径没有充分利用上下文语义信息的问题。（3）提出了一种可自主筛选任务相关有用信息的检测模块,对检测模块中两个分支（分类和回归）的网络结构进行了针对性的改进。通过在检测模块的各任务分支上部署双重注意力机制,使得网络能够根据不同的训练任务自主地从特征图中选择感兴趣的区域,提高网络对有用信息的关注能力。（4）通过融合上述针对单阶段模型各个模块的改进策略,本文设计了一套适用于水下图像的、支持端到端训练的单阶段目标检测算法框架。然后,通过在边缘计算设备——Jeston Xavier NX开发板上的部署和测试,证明了该算法在小型嵌入式设备上应用的可行性。最后,基于URPC水下数据集的实验结果表明,相较于现阶段主流的深度学习目标检测方法,本文所提出的端到端单阶段水下目标检测算法具有更高的检测精度和速度,在训练样本不足的情况下,仍然可以取得较好的检测效果。并且,在基于边缘计算的小型嵌入式设备上,验证了本文所提算法的实用性,为本文内容未来可能的实际工程应用奠定了坚实的基础。