近些年,深度学习得到了巨大发展,基于深度学习的通用物体检测算法也趋于成熟,并应用于工业界生产环境。通用物体检测是深度学习的一个重要方向,该类算法通过输入的图像可以分析和检测出其中物体的位置和边界框信息。但是这项技术应用到水下场景时,其检测准确率会下降,因为水下图像存在图像退化的现象,这主要是由水体对光线吸收作用和漂浮粒子的光线散射导致。为了减少水下图像退化对物体检测算法的影响,通常会对原始图像进行图像增强预处理,提高图像的清晰度,使得算法更加容易识别出其中的物体。图像增强方法主要包含传统方法和神经网络方法,但某一种方法通常仅适用于某个特定场景。本文针对水下图像退化现象进行了物体检测算法的优化,将图像增强算法和通用物体检测算法YOLO进行结合,并使用了图像融合方法和WEIoU边界框回归损失函数,提高了水下物体检测算法的准确度。图像融合方法将原始图像与增强后的图像进行融合,算法可以根据增强图像的实际效果选择合适的特征图,有利于提升算法的鲁棒性。边界框损失函数使用了WEIoU损失函数,它对边界框的尺度大小不敏感,且更准确地描述边界框之间的位置和形状信息,并对不同物体类别分配不同的权重,能够提升水下物体检测算法的准确率。通过我们的实验可以看出本文中所提出的优化方法一定程度地提高了水下物体检测算法的准确率。