随着水产需求量的日益增长,研究水下生物目标探测技术可以帮助机器人代替人完成水产品捕捞任务,从而改善人工作业危险系数高等问题,有利于海洋资源的开发利用。水下图像是海洋数据的主要载体和表达方式,在探索、开发和利用海洋资源方面具有举足轻重的地位。近几年来,由于深度学习具有较强的特征表达和分析性能,它在水下图像增强和水下生物目标检测中得到了广泛的运用。但是,水下图像增强和水下生物目标检测的研究还存在一些不足:水下图像在深海环境中很难获得,并且退化的水下图像很难有与其相对应的水上真值;复杂多变的海水环境以及光线的吸收和散射等因素使得水下影像存在模糊和低对比度等问题,严重影响了水下信息的感知和处理;水下生物目标通常较小且聚集,导致水下图像的细节信息无法充分提取;实际应用的水下目标检测模型较大且检测速度慢,无法实时检测水下信息。针对以上问题,本文的主要研究内容如下:1.详细介绍了国内外水下图像增强和水下生物目标检测的研究和发展情况,为以后的实验工作奠定良好基础。简述了卷积神经网络的基本组成和运行原理,图像增强的基础理论,目标检测的方法原理,并对水下图像增强评估指标和水下生物目标检测评估指标进行简要介绍,为后续深入研究水下图像增强和水下生物目标检测算法做铺垫。2.针对水下图像质量差（如对比度低、细节模糊）以及水下图像局部和细节增强存在不足等问题,本文提出了一种深度监督残差密集网络（Deep supervised residual dense network,DS＿RD＿Net）来进行图像增强。该方法首先利用残差密集连接块提取特征,以提高特征利用率;然后在编码器和解码器之间增加残差路径,以减少浅层特征和高层特征之间的语义差异;最后采用深度监督机制来指导网络训练,以改善梯度传播。实验结果表明,相比其他图像增强方法,该方法在进行色彩还原和去雾的同时还能充分保留图像的局部细节信息。无论是从定性还是定量的角度评价,该方法都可以取得较好的效果。3.针对水下小目标检测难和水下检测模型轻量化的问题,本文提出了一种基于密集特征融合的轻量级水下目标检测方法（Bottleneck dense attention feature fusion yolov4-tiny model,BDA-YOLOv4-tiny）。该方法首先利用Dense策略对多个层次、多个尺度上的图像特征进行全面分析,从而得到更加精细的影像信息,并同时对三种尺寸的输出特征图进行检测,以提高水下较小生物的检测能力;然后添加注意力特征融合模块（Attentional feature fusion,AFF）以更好地融合语义和尺度不一致的特征,提高多尺度目标识别的准确性;最后采用深度可分离卷积和1×1卷积块重新排列布局加强特征提取,减少参数数量,从而提高实时检测性能。实验结果表明,该方法在检测水下目标图像数据集和视频数据集时可取得良好的效果,并且能够实现水下目标检测速度和精度的良好权衡。