水下光学图像得益于其信息承载力强、可观性高、获取成本低等优势,在海洋探索及开发相关的诸多领域中具有不可替代的作用。然而,水下光线传播特性严重影响图像的质量,使其呈现出低对比度、颜色失真、细节模糊等特点。本文聚焦于水下光学成像过程中存在的混合噪声、光强依赖性衰减、域偏移特性,解决水下光学图像综合性退化问题,从而提高图像的视觉质量与信息表达能力,主要工作如下:首先,针对水下光线后向散射传播导致的混合噪声抑制问题,提出一种水下注意力生成对抗网络。一方面,借助于密集连接和全局池化操作,设计级联-密集通道注意力对噪声特征进行判别性学习,继而以统计概率为依据在通道层面进行权重再分配,从而实现噪声特征抑制;另一方面,设计位置注意力以提高卷积对远距离依赖信息的捕获能力,实现对图像增强程度的有效控制,避免过度增强现象。对比实验表明,所提出算法具有突出的噪声抑制能力,相较于数据驱动方法Water Net、UGAN、UWCNN,增强结果峰值信噪比可以分别提升约14.9%、8.4%、2%。其次,针对水下光线波长、景深依赖性衰减问题,提出一种传输图引导的优势特征融合网络。具体地,设计通道模糊补偿器对衰减最严重的通道进行补偿,有效缓解波长依赖性衰减影响;同时,设计密集多尺度连接网络对场景深度进行估计,从而获得景深依赖性的衰减程度权重;进而,集成不同分布特征,在衰减程度权重的引导下对三分支输入进行优势特征融合实现图像增强。特征表达能力对比实验显示,所提出算法可以明显地提高图像特征表达能力,增强结果相较于原图的SIFT特征点匹配、Harris角点检测、Canny边缘检测结果分别提升16.8、7.8、25.8倍。最后,针对水下场景退化特性不一致所导致的域偏移、图像视觉质量与语义信息表达能力不平衡问题,提出一种水下目标识别驱动的图像增强网络。一方面,设计基于残差结构的编-解码图像增强网络,建立退化图像与增强图像的映射关系;另一方面,预训练目标感知器,从而实现特征提取与标签预测;结合联合损失和多阶段损失策略,驱动增强网络生成兼具视觉质量和语义信息表达能力的图像。综合图像增能性能和语义信息表达能力对比结果显示,所提出图像增强方法在视觉质量和目标识别精度两方面具有最优的平衡能力;预处理有效性实验表明,所设计网络可以有效地抑制域偏移,使交叉域下识别海参、扇贝、海星的平均精度分别提高15.6%、4.5%、11.1%。