水下三维场景重建技术广泛用于海洋资源勘探、海底管道检修、海洋环境监测等领域。光线在水下传播的复杂性使得水下成像设备采集到的图像质量严重降低,给各种科研工作带来了巨大的阻碍。深度学习基于数据驱动具有优秀的数据拟合能力,相比于基于各种先验知识的水下图像增强模型,深度学习方法能够自动统计水下图像数据潜在的分布规律,在合理的损失函数下自动完成水下图像的增强过程,给后续的三维重建提供丰富的场景信息,因此研究基于深度学习的水下三维场景重建具有重要的理论意义和应用价值。本论文基于光视觉系统,对水下成像设备拍摄到的三维场景进行图像增强并提取水下场景的关键点特征,利用运动恢复结构技术估计水下成像设备的位置和姿态信息以及水下三维场景的稀疏点云结构,并采用立体匹配技术获得图像的深度信息和视差信息,从而实现水下三维场景的稠密重建。主要研究工作如下:（1）在分析水下图像的成像原理以及造成水下图像退化原因的基础上,针对水下图像颜色偏差较大的问题,提出一种基于卷积神经网络的水下图像颜色校正和纹理增强算法。采用U-Net++网络对水下图像进行RGB特征提取,并将其转成HSV特征输入颜色调整网络进行训练以校正图像的颜色偏差,且在模型的训练过程中加入全变差损失函数以增强图像的纹理细节,然后将颜色校正后的HSV特征恢复为RGB特征并使用注意力机制和U-Net++输出的RGB特征进行融合得到增强后的水下图像。最后,进行对比实验以验证本论文算法的有效性。（2）在分析相机成像模型的基础上,推导相机坐标系、像素坐标系以及图像坐标系之间的关系式并总结相机的标定过程;分析相机畸变模型,将畸变系数加入似然函数优化相机的内参和外参的标定。（3）在分析两种典型图像尺度空间构造方法的基础上,针对线性滤波构造图像尺度空间会造成的图像边缘信息丢失等问题,采用基于非线性扩散滤波构造图像尺度空间的方法,并且在AKAZE特征检测的基础上引入局部敏感哈希的近似最近邻算法加速特征点的匹配过程,然后使用运动恢复结构技术获取相机的运动信息和三维场景的稀疏结构,最后进行验证性实验。（4）结合运动恢复结构获得的相机位姿和稀疏点云进行全局视角的选择,从图像数据集筛选出特征点数量丰富、分辨率相似以及基线较宽的图像用于立体匹配,分析了立体匹配的过程中基于极线搜索的视差估计技术和基于Patch平面扩散的视差估计技术。经过实验验证,基于Patch平面扩散的视差估计方法相对于基于极线搜索的视差估计方法产生的视差图更加光滑,没有出现大量的不连续视差区域,因此本论文选用基于Patch平面扩散的方式用于水下三维场景的重建。（5）设计水下三维场景的重建系统,并进行相关实验以证本论文工作的有效性。