随着人们对海洋探索的不断深入,使得UVLC技术扮演的角色越来越重要。但UVLC系统中各种器件带来的非线性效应、背景光噪声以及水中的各种物质成分对光产生的影响,造成系统接收端接收到的信号数据损失,从而导致系统中基于ED判决后的信号无法准确解调,降低了系统的性能。本文从UVLC系统中的信号检测方面展开相关研究。具体的工作安排如下:（1）首先阐述了UVLC的研究背景与意义,以及UVLC系统中存在的问题与其解决方法的国内外研究现状。然后介绍了UVLC系统中采用的调制技术并分析了光在水下的传播特性。最后基于比尔-朗伯模型并考虑系统中光的发散角及入射角等其它参数设置的影响,建立水下光通信信道模型。（2）研究了基于机器学习的UVLC系统中信号检测算法。首先介绍了机器学习中的K-均值聚类无监督学习及SVM有监督学习算法。然后分别设计了基于K-均值聚类及SVM的信号检测模型。此两种算法的运行不依赖于任何水下信道信息,也无需信道估计模块,因此其鲁棒性较高。最后在不同的水下环境中分别对K-均值聚类、SVM及ED检测方案进行了仿真并分析。由于SVM检测能根据当前接收信号的特征进行调整判决线,而ED与K-均值聚类检测均是根据ED进行判决,因此基于SVM检测的UVLC系统性能要优于ED与K-均值聚类检测。（3）基于UVLC系统实验平台进行信号检测算法的验证。首先简单介绍了UVLC系统的实验平台,然后基于该实验平台在设定的实验条件和参数下,在加入自来水的水槽中分别进行了不同收发机距离、水的浑浊度及QAM调制阶数下三种检测算法的性能测试。结果表明,基于SVM检测的效果要优于K-均值与ED,且SVM检测能够对信号实现较好的解调,取代了系统的QAM解调方式,验证了SVM检测算法的可行性及可靠性。