高质量的声呐图像对识别海洋中的目标至关重要,所以如何获取高质量的声呐图像成为了目前的研究热点。水下无人航行器(Unmanned Underwater Vehicle,UUV)在运动过程中所获取的侧扫声呐图像极易出现运动模糊现象,并且通过侧扫声呐图像很难准确地得到小目标的位置以及具体的形状。虽然可以通过很多传统的方法得到高质量的侧扫声呐图像,但是这些方法存在计算量大、作用范围狭窄等问题。而生成对抗网络(Generative Adversarial Networks,GAN)计算简单,并且在改善图像质量方面的效果相对于绝大多数的传统方法更好一些。本文将利用生成对抗网络的优点,提出两种分别用于去除侧扫声呐图像的运动模糊和提高其分辨率的处理方法。本文主要从三个方面展开深入研究。首先,针对UUV获取的侧扫声呐数据的特点,设计声呐图像运动模糊数据集和超分辨率数据集的生成流程。第一步,利用Visual C++6.0将JSF格式的侧扫声呐文本数据转化为BMP格式的侧扫声呐图像;第二步,根据侧扫声呐图像的构建特征以及其噪声模型,利用加躁以及调节色彩等操作得到PNG格式的高质量侧扫声呐图像;第三步,根据不同的运动模糊图像的模糊点位置不一致特点,设计运动随机生成法生成运动模糊数据集;第四步,根据低分辨率像素的冗余特性,设计双三次下采样与局部像素化融合方法生成低分辨率数据集。然后,针对声呐图像运动模糊的问题,提出一种改进的轻量型金字塔多尺度特征融合生成对抗网络。本文引入组归一化(Group Normalization,GN)以及带参数的修正线性单元(Parametric Rectified Linear Unit,PRe LU)来改善网络鲁邦性;为了加快网络训练速度,本文采用倒转残差块作为网络的下采样特征提取方式;基于金字塔多尺度特征融合模块的设计思想,本文引入残差模块来设计整个网络框架,以提高网络边缘细化能力;本文将内容损失及Wasserstein距离损失引入到损失函数中来提高训练的稳定性;本文通过不同的对比实验来验证所设计的运动模糊生成对抗网络的正确性。最后,针对声呐图像分辨率低的问题,提出一种带有多尺度亚像素上采样的双判别器生成对抗网络。本文引入亚像素卷积模块,结合多尺度卷积融合方式,提出一种多尺度亚像素卷积模块来进行上采样操作,以此达到高效还原高分辨率像素信息的目的;并提出使用双判别器来训练网络,从而使得网络在较少的样本种类和较少的样本数量情况下也有较好的泛化能力;本文通过不同的对比实验来验证所设计的超分辨率生成对抗网络的正确性。