当前,随着人工智能的快速发展,水下机器人能够轻松地采集水下图像。由于光在水中传播时经常受到吸收和散射的影响,采集到的水下图像通常具有颜色失真、对比度低和噪声等特点。退化的水下图像限制了在图像识别、目标检测和目标跟踪的应用。增强的水下图像能提高图像的视觉质量和更加准确的了解水下世界。本文从水下图像成像模型、深度卷积网络的角度出发,来提高水下图像的视觉质量。主要研究内容如下:1)由于获取的水下图像存在对比度低、颜色偏差和细节模糊等问题。提出了多输入融合对抗网络（Multi-Input Fusion Adversarial Network,MFGAN）进行水下图像增强。首先,对退化的图像进行预处理,得到颜色校正和对比度提升的两种类型图像。其次,利用生成网络学习两种预处理图像与退化图像之间差异的置信度图。然后,为减少两种预处理算法引入的伪影和细节模糊,设计了纹理提取单元对两种增强图像进行纹理特征提取,并将提取的纹理特征与对应的置信度图进行融合。最后,通过构建多个损失函数提升网络性能。实验结果表明,增强的水下图像色彩鲜明并且对比度提升,评价指标UCIQE均值为0.6399,NIQE均值为3.7273。相比于其他算法有显著优势,证明了该算法的良好效果。2)由于多输入融合判别网络借助于传统方法对图像的颜色和对比度进行预处理,并不是理论上的端到端的深度网络。针对这个问题,本文提出了一种自适应学习注意网络（Adaptive Learning Attention Network,LANet）对水下图像进行对比度提升和颜色校正。首先,提出了一种多尺度融合模块来融合不同的空间信息。其次,设计了包含像素和通道注意力的并行注意力模块,更加关注于照度特征和更显著的颜色信息上。然后,自适应学习模块能够保留浅层信息并自适应学习重要特征信息。此外,构建一个多项式损失函数,由平均绝对误差和感知损失组成。最后,引入了一种异步训练模式来提高网络的性能。定性分析和定量评价表明,本文方法在不同的水下数据集上具有良好的性能。3)多输入融合判别网络和自适应学习注意网络使用较多卷积层,导致参数较多,会影响网络处理速度。因此本文提出了物理模型和对比学习网络（Physical Model and Contrastive Learning Network,PCNet）用于快速的水下图像复原。首先,提出了校正网络包含两个方面的作用,一是生成中间图像,进一步校正通过水下图像成像模型重建的图像存在的颜色偏差;二是生成通道为32的特征信息作为参数估计网络的输入。然后,为了精确地估计背景光和传输图,设计了参数估计网络。此外,提出了对比正则化,目的是生成视觉上更加清晰的水下图像。PCNet的Parameters和FLOPS的值分别为0.17M和5.63G。与其他算法相比,PCNet具有轻量化且有效地提升了水下图像的视觉效果。该论文有图46幅,表24个,参考文献61篇。