海洋以及内陆湖泊的水下资源开采与保护、水下环境的治理与维护等水下活动都依赖可靠的水下机器人提供帮助。水下图像的增强算法对于拓展提升水下机器人的应用价值具有重要作用。由于水下环境与大气环境在主要介质、光源等成像条件上的根本差异,使得水下图像通常表现出色偏、模糊、昏暗等特点。为了提出高效的图像增强算法以提高水下视觉系统成像结果的实用性,通过对水下图像成像模型的分析与构建,本文首先从经典图像增强方法入手,接着将现有水下增强方法分为了基于成像模型的复原类方法和基于非成像模型的增强类方法进行分别研究。为解决现有方法中的问题,本文提出了三种提高水下图像质量的方法。针对复原类方法在估计参数时的误差问题,本文提出了一种基于图像灰度分析复原图像的方法。该方法通过结合多种图像先验分析算法对参数进行估计,利用多种算法的互补优势提高参数估计准确性。实验结果表明相比同类方法能够更准确还原物体的真实色彩,使图像的对比度更高。考虑到传统的增强类方法易产生色彩偏差和噪声的问题,本文提出—种基于多色彩空间拉伸和白平衡处理的增强方法。该方法通过建立RGB和HSV颜色空间的两次相互转换,使方法同时具有RGB空间灰度拉伸的对比度提高优势,以及HSV空间灰度拉伸的色彩均匀分布优势,使增强结果出现更少的过度红色色偏以及噪声。最后添加的白平衡算法在保证色彩分布符合人眼观察习惯的同时,进一步提升了图像的对比度。针对基于深度学习的增强类方法中常出现的网络训练速度慢,增强效果差的问题,本文提出了一种基于高效生成对抗网络的图像增强方法。该方法通过简化生成对抗网络的结构加快了模型的训练速度同时提高了增强效果。该方法中同时提出了一种降低噪声的边缘平滑损失函数设计,通过计算像素灰度—阶导数偏差降低了图像边缘的白色光晕。最后本文对现有的多种增强方法的特点作了综合的分析与对比,并对方法未来的进步空间做出思考。