近年来,随着人们对海鲜食品的需求增加,海产养殖业取得了蓬勃的发展。为降低人工劳动强度,提高海洋牧场的智能化发展,急需开展海产品的自动化捕捞技术研究。目标检测是水下机器人实现自动化检测和抓取作业的基础,对海洋牧场的智能化发展具有可观的前景。而复杂的水下环境导致水下图像存在色偏、雾化及细节丢失等问题,影响目标检测的精度。因此,本文以海产品的目标检测为研究背景,从图像去噪、图像增强、目标检测及视觉检测系统设计四个方面展开研究。（1）针对水下光学图像在采集和传输过程中易引入大量的背景噪声,本文提出基于BF-EPLL的水下图像去噪方法。该方法首先采取双边滤波算法对降质图像执行平滑处理,消除冗余的背景噪声;其次基于图像块的似然概率对数期望EPLL理论,采用高斯混合模型学习图像块的先验知识;最后将模型学习到的最为匹配的先验信息应用在BF处理后的输出图像上,去除传输过程中引入的高斯噪声。经仿真实验验证,提出的去噪算法能够有效克服传统去噪方法存在边缘信息损失的缺陷,在水下图像去噪领域具有较强的工程适用性。（2）针对水介质对光的吸收和散射效应致使水下图像存在色偏、雾化和细节丢失等问题,本文提出基于图像融合的水下图像增强方法。该方法首先设计不同版本的输入图像,分别对原图像执行白平衡算法和改进的暗通道先验算法,旨在去除图像的色偏并增强其对比度;然后,设计两个版本输入图像的多个特征权重图,并计算其归一化权重图;最后,采用多尺度融合技术对输入图及其归一化权重图进行特征融合以获得输出图。经仿真实验测试,本文所提出的算法能够克服传统融合算法存在增强过度或不足的缺陷,可突出目标物的显著特征,具备更高的鲁棒性。（3）针对原YOLOv3检测模型对复杂背景中的海产品检测存在误检和漏检的问题,本文提出基于改进YOLOv3模型的水下目标检测算法。首先,针对待检测目标的尺度多样性和实时性需求,采用YOLOv3模型来实现目标物的多尺度预测;其次,针对原模型存在目标漏检的问题,将空间金字塔网络融入原模型的主干网络中,改善网络结构的细粒度,提高检测精度;再次,针对原算法存在误检率高的问题,对边界框回归损失函数进行改进,旨在降低边界框预测的错误率;最后,对优化后的检测网络执行模型训练和测试。结果表明,本文改进的YOLOv3检测模型能在复杂背景下精准地识别出远近景处不同尺度的目标,具备更高的泛化性和鲁棒性。（4）针对海产品捕捞作业自动化程度低的问题,本文基于机器视觉,设计一种水下机器人视觉检测系统。主要完成了硬件系统各部件的选型和软件系统的功能及检测流程设计,为后续机器人自动化捕捞作业提供必要的软硬件支撑。