我国是一个水资源大国,拥有众多的河流湖泊,当降水量超过一定的限度时,便很容易引发自然灾害。为了预防洪涝灾害的发生和带来的影响,我国近年来建设了许多重大的水利工程项目,堤坝工程便是其中的重要工程。截至目前,我国已经完成了众多的堤坝工程,但随着使用时间的增加,这些堤坝会存在越来越多的安全隐患。其中,最为严重的风险是出现裂缝和渗透。因此需要对堤坝进行定期的安全检测,确保堤坝的安全性。堤坝在实际情况中一般会有水上部分和水下部分,对于水上部分的安全检测较为容易,但水下部分由于水下成像的复杂性,获取到的水下堤坝裂缝图像质量普遍存在许多问题,无法很好的进行检测,因此对水下堤坝裂缝图像进行图像增强处理成为了一项重要的课题。由于水下环境的特殊性,直接获取到的水下图像存在亮度暗、分辨率低等问题。一些传统的检测算法对于水下堤坝图像的检测效果并不好,难以从中检测出裂缝并提取特征信息。而目前生成对抗网络（GAN）在水下图像的增强处理中有着良好的效果,卷积神经网络（CNN）也在目标检测方面发光发彩。因此,本文提出了一种结合GAN网络和CNN的水下堤坝裂缝检测算法。首先,针对水下图像存在的亮度暗、特征信息较少等问题,基于CGAN网络,引入亮度注意力网络生成亮度注意力图,并将其作为网络的条件信息,提高网络对水下堤坝裂缝图像的增强效果。为了缓解GAN网络中网络层数普遍较深的问题,在网络中添加了残差结构,并使用RRDB残差结构替代了传统的残差结构,提高网络整体稳定性的同时,也有利于获取更多的特征信息,缓解GAN网络中存在的梯度消失问题。其次,对卷积神经网络的图像分割算法进行改进,引入了混合注意力机制提高网络的分割效果。使用改进后的Seg Net网络对增强后的水下堤坝裂缝图像进行分割处理,得到水下堤坝裂缝的分割图像。最后,本文研究最终目的是检测裂缝目标,获取其特征参数。通过骨架提取算法获取水下堤坝裂缝的裂缝细化图像,再计算二值图像和裂缝细化图像的面积,并估算出裂缝的相关特征参数信息。实验结果表明,改进算法能够有效的检测出水下堤坝图像中的裂缝,并能够通过提取特征和估算的算法获得裂缝的参数信息。