水下图像承载着水下环境的重要信息。由于受到光吸收和散射的影响,水下图像存在颜色失真、对比度低、模糊、光照不均匀等明显的质量退化问题。退化的水下图像直接影响其在水下目标检测、水下场景理解、水下三维重建等方面的进一步应用。因此,关于提高水下图像质量的研究具有重要意义。随着深度学习技术的快速发展,基于弱监督学习的水下图像增强方法受到广泛的关注,但现有的增强方法处理后的水下图像仍存在色偏、细节模糊等问题。本文针对这些问题开展研究,所做主要工作如下:提出了一种融入注意力机制的弱监督水下图像增强算法。算法首先根据不同波长的光在水中传播时衰减程度不同的物理特性,计算红通道衰减图,并将依赖红通道衰减图引导的注意力模块融入生成网络,以提高生成网络修正水下图像色偏的性能;然后利用对抗损失函数与结构相似性损失函数相结合的多项联合损失函数,修正水下图像色偏的同时保留更多图像细节;最后在全局和局部两个尺度下优化弱监督水下图像增强网络模型。该算法能有效地修正水下图像色偏,增强水下图像细节,具有较好的水下图像增强效果。提出了一种分段曲线融合的弱监督水下图像增强算法。算法首先设计能够估计分段曲线参数和相关置信图的生成网络模型,通过该网络模型估计的分段曲线参数修正输入图像RGB三通道的像素值,实现全局水下图像增强;然后将修正的图像与网络模型估计的置信图进行融合,以调整图像的局部增强效果;最后利用对抗损失函数与感知损失函数相结合的多项联合损失函数约束融合增强效果,并引入全局和局部判别器优化生成网络模型。该算法能够满足水下图像不同区域地自适应增强,有效去除水下图像色偏、恢复水下图像细节。