在水下任务的实施中,尤其是在水下安防监控领域,目标检测与目标定位占据着比较重要的一个环节,对外来未知物体进行监控报警具有重大的安全意义与研究价值。随着水下传感器网络节点的成本降低以及对水下监测的需求增加,并且由于光学元器件的快速发展以及摄像头模块成本的逐渐降低,为了实现水下环境的实时监控,现在大多数节点都采用视觉传感器来收集和分析光学图像,声学传感器采集的方式被逐渐替代。基于水下图像增强的多源节点目标检测与轨迹跟踪的研究重点是如何在水下介质环境中采集光学图像,并对其进行增强。研究在特定的应用场景下检测到水下未知运动目标的方法,以及通过何种有效的方式对其进行实时定位和轨迹追踪。本文首先对影响水下图像质量的原因进行了分析,并对水下多角度相机进行了标定实验。此外,本文从传统的图像滤波和深度学习等方面研究了多个光学相机节点收集的图像增强方法,对基于物理模型的水下去雾算法进行了研究,并对比了传统图像滤波与此方法的不同增强效果。此外,本文对基于视频流的运动目标检测进行研究,分析和对比了几种常见的方法,并对他们的特点进行了分析,在此基础上引入显著性检测的思想对水下运动目标进行检测。本文对BASNet网络模型进行了改进,在其中引入了帧间差分法所带来的时空信息,以减少静态高显著值非目标物所带来的干扰。基于上述技术,本文设计了一种基于视频流的动态目标跟踪系统,系统中的大多数节点都携带水下相机来进行光学图像采集。当动态目标可以同时被网络中的至少两个节点捕获时,通过多目视觉目标定位原理可以计算并跟踪目标位置。本篇论文设计与构建了一套水池实验系统对水下目标进行了图像处理、目标检测和目标定位的实验,以随机游走的小型水下机器人为目标,以静态水草模型为高显著值静态干扰物,对外来运动目标进行了实时的轨迹跟踪和轨迹绘制。同时,本文还设计了线性运动装置误差测量系统,对实验系统的误差进行了测量,误差值满足实验预期。