近年来,深度学习技术已经成为图像处理领域的主流方法。然而,在水下环境中采集配对图像十分困难,这极大地限制了深度学习在水下图像质量评价和质量提升领域中的应用。针对上述问题,本文在深度学习的框架下,提出了一种结合排序思想的无参考水下图像质量评价网络,并将其用于水下图像质量提升,以期在同一框架下同时解决两个问题。因此,本文主要工作及创新点如下:第一,论文提出了一种新的无参考水下图像质量评价网络,通过对现有水下数据集中的图像进行两两比较主观评分,将水下图像质量评价问题转化为评分排序问题,并设计相应的神经网络结构作为排序器。同时,论文基于主观分数设计了一种可微分的排序损失函数,并将其用于训练排序器,使训练后的排序器能够有效地对水下图像进行质量评价,且评价结果符合人类主观视觉感知;第二,论文提出了一种新的水下图像质量提升网络。为了有效地应对水下图像质量退化现象,本文基于分而治之的思想,通过分别对颜色均值矫正和图像细节增强两部分进行处理,以简化学习问题。同时,论文提出了一种新的邻近连接网络结构,该结构能够有效挖掘丰富的特征表示,用于图像质量提升过程。此外,通过将上述排序器的评价结果作为损失函数,让质量提升网络在训练过程中能够受到语义层面的引导,从而使提升后的水下图像质量更加符合主观感知。论文在有参考水下图像和无参考真实水下图像上进行验证,实验结果表明本文提出的质量评价网络可直接作为水下图像处理领域的一个评价指标。同时,本文提出的水下图像质量提升网络在仿真和真实水下图像数据上均可实现有效的颜色矫正和对比度增强等处理效果,能够明显地改善主观视觉效果和提升客观指标。