水下图像作为水下视觉任务的信息载体扮演着十分重要的作用。然而光照在水下传播过程极易受到吸收和衰减的影响,这导致获取的水下图像存在颜色失真、模糊以及对比度低等问题。水下图像质量的下降会直接影响如海底探测、水下目标检测以及水下物体识别等任务的精度。因此,有必要对水下图像进行增强来提高水下各类任务的准确率。本文对水下图像增强相关方法进行研究,主要研究内容如下:（1）针对传统的图像增强方法不能很好应用于水下图像的问题,本文提出了一种改进的基于Retinex理论的水下图像增强框架。为了解决水下图像光照估计问题,本文设计了一种基于双边滤波的光照估计方法,该方法可以有效的估计光照并保留更多的图像边缘信息。为了解决水下图像颜色通道衰减问题,本文设计了一种自适应衰减补偿的颜色平衡方法,通过计算图像的衰减系数自动选择合适的衰减补偿策略。该框架有效解决了水下图像光照估计困难和颜色失真问题,实验结果表明对不同类型的水下图像都有比较好的效果。（2）为了进一步提升传统图像增强方法的效果,本文使用基于深度学习的方法来增强水下图像,提出了一个基于深度Retinex分解的水下图像增强网络模型框架。本文根据水下图像的特点设计了一种基于卷积神经网络的图像分解方法,该方法充分考虑颜色通道之间的平衡关系并可以有效的进行光照估计。此外,本文改进了基于动态阈值的白平衡方法使之应用于反射图的颜色平衡,该方法可以有效解决颜色衰减问题并保留更多的图像细节信息。通过在不同类型的水下图像以及不同领域的劣质图像的实验结果验证了提出的方法的有效性和适用性。（3）目前基于深度学习的水下图像增强方法多是通过构造水下图像真实参考数据对网络进行训练,该类方法的泛化能力一般较差,不能很好的处理各类场景下的水下图像。针对水下图像无真实参考的问题,本文提出了一种基于深度学习的无监督水下图像增强模型,该模型包括通过深度Retinex分解网络和颜色恒常性网络对水下图像进行光照估计和颜色平衡,利用图像之间的残差、反射一致性以及消色差等特性来设计损失函数对网络进行训练。该模型可以使用各种公开的数据集进行训练来学习网络模型参数,有效的解决了基于深度学习的方法需要大量数据的问题。实验表明提出的方法在水下图像公开数据集定性和定量的实验上均有比较好的表现。