基于视觉的水下目标检测在海洋环境保护、水域生态研究、水下垃圾清理等海洋经济领域发挥了重要作用。然而复杂的水体环境下,受光线的吸收和散射特性影响,导致图像的低对比度、模糊和颜色失真等退化问题;同时水下目标尺度不一,相互间存在遮挡重叠等问题,给水下目标检测带来较大挑战。退化图像增强处理能够提升图像的清晰程度,改善主观效果并提升后续检测任务的可靠性。因此,开展针对水下退化图像增强与目标检测的研究具有一定的应用前景与研究价值。为此,本文提出了基于多路径扩张密集网络的水下图像增强方法和基于多尺度策略的水下目标检测算法,主要工作内容如下:（1）现有基于物理模型的CNN水下图像增强方法大多通过估计透射率图和背景光值的方式间接优化图像,受先验条件及模型累积误差的影响,图像增强程度有限。针对以上问题,本文提出一种基于多路径扩张密集网络的端到端水下图像增强方法,避免上述间接优化带来的误差,具有更好的视觉效果。首先,采用多路径扩张特征提取模块,获取图像多尺度特征,在内部引入多路径扩张卷积块和级联注意力机制以扩大感受野,提升网络对细节与颜色信息的整体感知能力;其次,设计优化密集连接模块,加强特征传递,聚合特征输出联合单变量特征图,增强网络利用不同退化像素特征的能力;最后,通过水下成像物理模型,反演出清晰的水下图像。实验结果表明,本文方法增强后的图像细节更丰富,颜色还原度高,其中在Trash＿ICRA19数据集中,水下图像评价指标UCIQE和UISM得分达到0.597、4.663,综合性能优于其他方法。（2）针对水下目标尺度不一,相互间存在遮挡重叠等问题,提出一种基于多尺度策略的水下目标检测模型。该模型架构为两阶段目标检测,在Resnet101残差网络的基础上,设计了多层特征融合模块及多膨胀率的空洞卷积金字塔模块进行特征提取,以捕获更多的上下文多尺度特征信息。其次,采用Ro I Align池化,取消量化操作,以保留推荐区域映射到特征图上的像素值并减少误差;最后分类回归中,提出一种新的损失函数AD-Io U,实现预测框自适应优化。在野生鱼类和Trash＿ICRA19数据集上验证所提方法的有效性,结果表明,本文方法在不同遮挡率下均具有较好的尺度自适应能力,在Trash＿ICRA19数据集中检测精度达到80.1%,优于其他模型。