近年来,随着陆地资源的逐渐减少,海洋成为了人类探索的目标。水下图像作为重要的信息载体,直观地反映水下环境信息,对海洋勘探、海洋环境监测、生物救援、水下机器人、海洋军事应用等研究具有重要作用。但由于水下环境复杂及水中悬浮颗粒对光的吸收和散射,使捕获的水下图像存在颜色失真、边缘模糊、低对比度等质量退化现象,造成特征信息提取困难,很难直接用于高级计算机视觉任务,需要经过水下图像增强技术提升其感知质量。现有的传统方法基本都是基于单张图像建模,需要严格的先验知识或者统计知识作为支撑,很难适用于不同水下场景,而且方法一般较为复杂,难以应用到实时场景中。近年来,随着深度学习在图像处理领域取得的显著成就,更多的研究人员基于数据驱动和深度学习模型训练进行水下图像质量恢复。然而,由于深度学习模型设计存在的难度以及训练数据的欠缺,改善水下成像质量仍然是一项具有挑战性的任务。本文为了改善水下图像的感知质量,加强其图像特征表达能力,从数据驱动的角度出发,构造合理的水下图像数据集,结合最新的深度学习模型设计增强模型。主要从以下两个方面展开:（1）针对现有监督式水下图像增强模型的精度和速度难以平衡的问题,提出了一种改进Shallow-UWnet的增强模型,实现对水下图像的实时感知增强。针对Shallow-UWnet中提取图像特征的密集卷积块结构单一,特征利用率不高的局限性,设计了一个多尺度特征提取模块代替密集卷积块进行特征提取。首先,基于残差密集块RDB使用深度可分离卷积代替标准卷积并优化局部分层特征传递方式得到基本特征提取单元SRDB。然后,多尺度特征提取模块采用三个不同初始感受野大小的并行分支,每一个分支采用4个SRDB模块密集连接去提取并组合不同层次的特征信息,最后融合三个分支的特征信息得到多尺度特征图。所提模型在多项损失函数中加入基于Laplace算子构造的梯度差损失项来加强模型的边缘细节保持能力。选取EUVP数据集中的成对图像来训练和验证模型的精度,并引入真实养殖环境下拍摄的河豚图像作为测试集进一步验证模型的泛化性。实验结果表明,所提方法在多个测试集上表现良好,主观表现和客观图像质量评价指标都较为出色,而且模型的处理速度较快,具备良好的实时性能。（2）针对水下图像难以获取成对数据集的局限性,提出一种改进生成对抗网络的无监督式水下图像增强模型。该模型主要分为生成器和判别器两部分:生成器采用类似于U-Net的编解码结构,为了改进单一的卷积层提取特征不够充分的情况,生成器引入RI＿DSC模块作为基本特征提取单元。该模块采用深度可分离卷积作为主干部分,同时加入多分支结构实现多感受野特征的融合。生成器大量使用残差结构,实现低层特征传递的同时降低了模型在训练过程中导致的网络退化风险;判别器采用Patch GAN的结构,输出16*16*1的矩阵,通过局部区域信息实现真伪图像的判断。为了更好的训练模型,所提模型使用包含对抗损失、全局损失、内容感知损失、质量驱动损失的多项损失函数来约束训练过程,实现生成分布到真实分布的拟合。所提模型选取EUVP＿Unpaired和UIEB数据集构造未配对数据集进行训练和测试。实验结果表明,该模型在测试集上具有良好的主客观表现,模型的性能相较基准生成对抗网络有了一定的提升。本文针对水下图像数据集的配对和未配对情况,提出了两种改进模型恢复水下图像的感知质量,有效解决了颜色失真和低对比度问题的同时保持了丰富的细节信息。通过对改进模型处理后的水下图像进行Canny边缘检测以及SURF特征点检测与匹配的应用测试,表明本文所提方法能够强化水下图像特征,提升其特征表达能力,适合作为水下高阶视觉任务的预处理手段。