海洋含有大量的未知的生物和巨大的能源,在地球上生命的延续中起着重要的作用。自20世纪中叶以来,全世界一直致力于积极参与高科技海洋勘探活动。拍摄到的水下图像质量在海洋探索中起着关键作用。但是由于光进入水中后会被水中介质吸收并发生散射,所以拍摄到的水下图像会遭受严重的质量下降。水的介质会根据不同颜色光的波长进行吸收,从而降低光的能量。散射一般是由于水中的悬浮粒子造成的,光进入水中后被悬浮粒子反射到不同的方向。拍摄到的水下图像通常会出现严重的颜色失真、对比度低、细节模糊等问题。因此,基于改善水下图像颜色提高水下图像对比度和纹理细节的水下图像增强技术得到了很多国内外专家学者的关注与研究。近年来,由于深度学习技术在图像处理领域取得了巨大的成功,许多研究人员将深度学习技术应用于水下图像增强并取得了非常不错的效果。因此,在国内外前沿的水下图像算法研究基础上,本文提出了基于深度学习的水下图像增强方法,主要的研究内容如下:（1）由于水下成像的特殊性,水下图像往往缺失清晰的真值（Ground Truth,GT）。为了克服这一问题,提出了一种基于视觉感知驱动的生成对抗网络（Generative Adversarial Network,GAN）可以对非配对的水下图像数据集进行学习,从而建立退化水下图像和清晰水下图像之间的映射关系。（2）针对由生成对抗网络生成的图像的纹理细节不够清晰的缺点,设计了水下图像预处理单元和包括感知子网络和细化子网络的生成器以改善水下图像的视觉质量。感知子网络的作用是在保持输入图像的语义信息的同时校正颜色。细化子网络是为了使生成的图像在纹理的细节上更清晰。（3）由于光在水中的散射和衰减,水下图像通常会出现颜色失真、细节模糊和对比度低的情况。为了解决这些问题,提出了一种基于结构分解的两阶段水下图像卷积神经网络（Convolutional Neural Network,CNN）。具体地,基于水下成像的理论分析,原始水下图像被分解为高频（High Frequency,HF）和低频（Low Frequency,LF）。然后,提出了包括初步增强网络和细化网络的两阶段水下增强网络。在第一阶段,提出了包含HF增强网络和LF增强网络的初步增强网络。高频部分通过深度学习网络直接增强,而低频增强网络则基于水下成像,它将透射图和背景光集成到联合分量图中。在第二阶段,细化网络旨在通过考虑水下成像的复杂性来进一步优化水下图像的颜色。通过大量的主观和客观实验,证明了本文提出的基于深度学习的水下图像增强方法能够有效地矫正水下图像的颜色,提高水下图像的对比度和边缘纹理。