水下图像增强在海洋生物检测和捕捞等实际应用中起着重要的作用。水下图像往往会受到低能见度、低对比度、颜色失真等问题的影响。在处理以上降质问题时,无模型的图像增强方在去除水下雾效应方面有一定的局限;基于模型的方法在处理某些区域时可能会失效;由于训练数据很难涵盖各种场景下的水下图像,且缺乏物理先验的引导,深度学习方法的性能会受限于训练集而使其难于泛化。针对上述水下图像的降质问题和现有方法的不足,基于改进的成像模型,本文将数据驱动的深度残差网络整合入算法框架中,联合地估计透射率和恢复清晰场景。本文算法首先引入场景残差项以建立新的成像模型,然后使用半二次算法最小化含有隐式正则项先验的能量模型。由领域知识作为引导,本文算法在迭代优化求解框架中联合地优化透射率并恢复清晰场景,以抑制恢复过程中的造成和伪影。在每个迭代过程中,使用深度残差网络估计则项先验,凸显数据驱动的网络的灵活、计算能力强等优点。此外,本文设计了一种新颖的残差架构,以聚合先验(即领域知识)和数据(即雾度分布)信息,以估计水下透射率。该架构弥合了先前驱动模型与数据驱动网络之间的差距,利用其优势但避免了先验模型的局限性。并提出了一个轻量级的学习框架来训练透射率的传播网络。为了更全面地评估并验证本文算法的有效性,本文建立可用于多角度评估算法的大型真实图像水下数据库,并基于此数据库衡量了算法的提升图像质量能力、校正色偏能力和面向高级视觉任务的性能。实验定性和定量分析均表明,本文方法在去除水下雾效应及校正色偏的同时,可以有效抑制伪影和局部过曝现象,并在各项评价指标上均达到最好的数值结果。这充分验证了将传统模型与深度网络相结合可以有效地解决水下图像恢复、图像增强问题。