当今,随着陆地资源的日渐消耗,世界各国对海洋领域的探索在不断扩展。水下场景成像环境恶劣,导致水下图像中出现模糊,对比度低和颜色失真等退化现象。这些退化现象严重影响了水下场景的视觉质量,图像处理算法的准确度,以及包括海洋生态、水下交通和海洋资源勘探等领域的应用研究。由于近几年深度学习技术在图像处理领域的广泛应用,其高效而卓越的图形处理能力和对复杂映射的学习能力受到认可。因此,基于深度学习的水下图像复原技术是一个非常重要而有意义的研究课题。本文的主要内容有以下几点:第一,本文参考了大量深度学习和图像复原算法的相关文献。介绍了近几年深度学习技术和图像复原技术的研究现状以及常见算法。同时,针对各种水下图像复原算法,讨论和分析了其优缺点。为后续研究工作建立了基础。第二,针对人工光源会造成大量复原算法失效的问题,本文通过加入不均匀背景光项,改进了传统水下图像合成模型。根据修改的模型,提出了一种合成水下数据集的方法。与其他水下数据集相比,该方法合成的数据中包含了环境中的不均匀背景光成分。实验证明,由该数据集训练的监督学习模型,具有消除复原图像中因不均匀背景光导致的过度增强和过度补偿现象的能力。第三,结合图像复原任务的特征,提出了一种具有分解与融合结构的卷积神经网络,称为FMSNet。该网络中采用实例归一化操作来提升网络的域适应能力,并加入残差学习结构来促进网络的训练过程。基于高斯滤波的特征图分解模块让网络能更高效的表现图像复原。该网络结构的合理性在一组消融研究中得到证实。在训练实验中,FMSNet的训练表现也会好于一些被广泛使用的深度学习网络结构。另外,该网络的轻量级版本,称为FMSNet-B网络,能在保证较好训练表现的前提下,让网络参数数目削减约95%,且计算量下降超过80%。第四,提出一种基于FMSNet网络的图像复原算法。利用提出的合成数据集对FMSNet网络进行监督学习训练,得到的复原模型能直接将水下退化图像映射到其复原版本,不需要任何预处理和后处理操作。在合成水下图像和真实水下图像上的测试和评估结果表明,本方法与其他常见的水下图像复原方法相比,能更明显地提升图像的清晰度,并能相对准确地矫正颜色信息。利用SIFT算法的评估实验表明,经本文提出的复原方法处理后,能使原始水下图像中特征点匹配数目增加285%。