水下世界的探索具备重大的工业潜力和服务潜力,其往往需要水下中继通信网络作辅助。水下无人机可以作为水下无线中继通信网络的通信节点。同时随着技术的发展和成本的降低,商用水下无人机逐渐普及,展现出巨大的市场潜力。然而由于电磁波在水下易衰减的传播特性,水下无人机的无线通信依旧是制约其发展的要素之一。为解决水下无人机的无线通信问题,本硕士论文拟从定位和光通信两个角度进行研究。本文先从辅佐通信的定位算法入手。针对传统的水下声学定位需要先验的声音传播速度信息,本论文设计了一种不需要声音速度等先验知识的声学定位算法。该算法在精度上要好过大多数已有例如最小二乘法、平均法等定位算法。考虑到深水时声音传播产生的折射现象,本文设计了以各深度水声速度为信息的搜索算法,比本文设计的声学定位算法提升了大约15%的精度。同时尝试使用计算机视觉技术进行定位,利用SIFT,ORB等算法提取特定图像特征点,利用特征点的像素坐标来确定目标的相对位置。在综合比对传播距离,通信速率等因素之后,本文认为光通信优于其他两种通信方式。由于光的传播具有极大的方向性,利用方向性波通信需要考虑波束对准问题。由于IEEE 802.11无线通信协议RTS/CTS机制中“请求-同意-发送数据-确认接收”的模式,与强化学习中“探索-反馈-更新”的模式类似,本文设计了一套基于强化学习的光通信协议。该协议所使用的数学模型具有快速的收敛性和良好的鲁棒性。相比于802.11ad协议中的波束对准机制,尤其是在恶劣环境下,该协议可以降低波束对准的通信开销,从而增加通信效率。相比于基于人工神经网络(ANN)的深度学习算法,本算法训练模型时不需要事先标记好的数据,而是采用通信结果作为训练数据。为了更加深入的理解水下无人机的工作机制,购买并组装了开源水下无人机OpenRov。深入分析了OpenRov的源码和代码作用机制,绘制了类图,活动图等一系列UML图,并且上传至相应开源社区。利用Python语言实现了计算机程序自动控制水下无人机,包括开关LED灯、上传视频或照片、前进后退、转向等功能。