随着地球人口膨胀、陆地资源短缺、生态环境恶化等情况的加剧,人类逐渐将目光聚焦于占地球表面积71%的海洋。水下图像在海洋生物研究、海底资源勘探、海洋军事应用和水下考古等领域起着关键作用,具有重要的研究价值。水下图像相比声学图像具有更加丰富的细节和色彩信息,在水下科考和工程实践中具有不可替代的地位。高质量的水下图像既满足了人们的视觉感知需求,又有助于高层视觉的应用。然而,由于水下成像环境的独特性和复杂性,水下图像往往出现不同程度的退化现象。其中,光吸收引起图像色偏和低照度,光散射导致图像模糊。多种退化现象致使水下图像的清晰度下降,严重影响水下图像的视觉感知和应用需求。因此,本论文首先依据水下光衰减特性,使用图像增强技术提高水下图像的清晰度。然后,从深度学习的角度出发,使用神经网络模型来进行水下图像清晰度提升的研究。（1）针对水下图像存在的色偏、雾状模糊、低曝光和非均匀光照问题,提出一种基于色彩衰减补偿和Retinex的水下图像增强算法。首先,为校正水下图像的色偏,利用水体对不同波长光线衰减不一致的特性自适应地补偿其R、G、B通道。然后,使用基于多尺度导向滤波的Retinex去除雾状模糊,增强对比度。最后,根据水下图像和自然图像的直方图分布特征对其进行归一化处理,从而在保存图像主要信息的前提下增强其纹理和曝光。实验结果表明,本文算法不但具有较优的视觉感知效果,而且具有较高的图像质量评价分数。本文算法具有适应性强的特点,有助于计算机视觉算法在水下的应用。（2）由于水下图像退化现象和退化程度的多样性,导致从传统图像处理技术上难以提取普适的先验知识,从而提出一种基于色彩分离和残差学习的水下图像增强算法。首先,考虑到水下退化图像通道衰减的差异性,创新性地将图像的亮度通道和色度通道进行分离。然后,基于编解码框架模型和残差学习的思想构造用于水下图像增强的卷积神经网络模型,并使用网络对分离后的通道单独进行训练。最后,对网络输出的图像进行后处理,得到高清晰度的水下图像。实验结果表明,本文算法能够显著提升水下退化图像的清晰度。增强后的图像具有较高的视觉感知质量,更加符合人眼的主观感知。