近年来,海洋经济迅速发展,水下图像增强技术受到了广泛的关注。水下图像会出现颜色失真和雾效应等现象。在解决以上问题时,传统优化方法依赖于先验约束,复杂的先验约束导致模型求解困难,并且受到场景深度和光学水质等因素限制。基于深度学习的方法通常在常规颜色空间建立退化图像和正常图像之间的映射,从而出现亮度和色度信息混淆的问题,导致退化图像复原不完全。针对以上不足,本文旨在消除水下多种退化因素相互耦合带来的干扰,提高方法在各种水体环境下的处理能力。首先,本文提出了一种亮度和色度联合学习网络（JLCL-Net）,通过分离水下图像的亮度和色度信息,将水下图像增强任务重定义为亮度重建和色度校正两个子任务,成功实现对水下退化因素的解耦。其中,亮度重建模块通过整合大气散射模型来重建亮度信息,赋予网络在不同场景下的自适应去除雾效应能力。色度校正模块通过色彩校正网络补偿颜色退化,以逆转颜色衰减过程。此外,为了利用不同颜色空间的互补信息,本文进一步设计了一种新的跨颜色空间的训练策略,探索不同颜色通道间的相互作用。为了更精准地校正颜色和恢复背景细节,本文又提出了一种语义特征引导的网络（SFG-Net）,将不同颜色空间的特征融合到统一的网络结构中。首先设计了语义特征提取模块引导亮度重建和色度校正,通过从不同颜色空间提取语义特征信息,获得丰富的特征表示。其次,结合注意力机制自适应地融合不同颜色空间的特征信息,提高网络对图像退化区域的响应,有效地改善了图像的亮度和饱和度。大量的定量和定性实验证明了本文方法的优越性,详细的消融性实验验证了各个模块的有效性。与最先进的方法相比,本文的方法能够有效地实现水下图像增强。