水下目标的准确识别是水下机器人实现抓取、捕捞等自主作业的前提,随着计算机技术的发展和深度学习技术的不断成熟,针对陆上图像的目标检测与识别能力在近年来得到了大幅提升,但对于水下目标检测与识别,长期以来人们致力于水下声纳技术的研究,对基于视觉的水下目标检测任务的研究相对较少。在利用深度学习方法对水下目标识别模型进行训练的过程中,容易遇到两方面的问题:一方面,由于受到水下恶劣成像环境的影响,水下图像常呈现出低对比度、模糊多噪声及颜色失真等特点;另一方面,由于水下环境的特殊性,对水下图像采集设备要求高且技术难度大,因此不能够采集大量满足不同水下场景和各种图像质量要求的训练数据,采集到的样本容易出现类别不平衡等问题。给水下多目标的检测带来较大困难。针对上述问题,本文提出了一种基于生成对抗网络的小样本及类不平衡处理方法,构建适用于水下多目标检测的深度神经网络模型,并在原始样本集和生成对抗网络扩充的样本集上进行实验,本文的研究工作包括以下几个方面:1)研究基于生成对抗网络的水下样本扩充方法。在水下图像小样本及类不平衡问题上,通过截取训练样本中数目少的类别目标图像,训练生成对抗网络后生成与真实图像相似的目标图像,并将生成目标与背景图像融合后实现样本扩充的目的。最后,通过对比生成图像与真实图像的颜色直方图和直方图巴氏系数,验证生成图像与真实图像间的相似性。2)研究基于YOLOv3算法的水下目标检测方法。首先对水下图像目标检测的特点进行分析,在此基础上构建基于YOLOv3算法的水下目标检测模型,并完成了模型的参数设计和优化。为了验证所提方法的有效性,分别在原始图像集和扩充后样本集上进行实验,实验结果表明了基于生成对抗网络的样本扩充方法的可行性和有效性;通过本文改进的目标识别模型与原始模型之间的对比试验,验证了本文所提水下目标识别模型的有效性。3)设计了一套完整的水下目标检测算法应用系统,该系统具有水下多目标识别模型的训练、图像检测和实时检测等功能。本文研究了基于生成对抗网络的水下样本扩充方法,并在原始样本集和扩充的样本集上开展水下目标识别模型的构建和识别实验,实验结果表明,本文所提方法能够在一定程度上改善小样本及类不平衡问题,提高水下目标识别精确度,对实现水下目标准确抓取、促进水下作业及海洋资源的开发具有重要意义。