人机交互方法在大量以陆地为主要背景的数据集上取得了令人满意的研究成果,但目前该领域的研究几乎全部集中于陆地环境。本文期望能够丰富人机交互领域中单一的研究环境,在特殊的水下环境中完成面向潜水员与机器人间的交互研究。然而水下环境固有的不稳定性导致很少有针对水下人机交互而专门构建的数据集,同时也限制了相关工作的发展。如何针对该领域展开潜水员和水下机器人之间的交互研究是一个具有挑战性的问题。考虑到声呐、电磁波等传输信号在水下的传输距离受限,尤其在执行某些带有即时性位置转移的任务时,仅依靠人类单独执行水下作业有时是困难的。因此本文的研究基于一个同时包含潜水员和水下机器人的原始数据素材,从增进该水下机器人对潜水员航向理解的角度出发来辅助潜水员完成各种任务,进而促进水下人机交互研究的发展。基于以上出发点,本文的主要工作如下:（1）参考陆地上的标准人类活动数据集,本文重定义了潜水员关键点及骨骼连接方式,构建了一个针对水下特殊环境的新颖的潜水员数据集。后续基于该潜水员数据集进行图像质量增强及姿态估计等任务时,均能达到与标准人类活动的COCO数据集相似的实验效果,表明本文构建的潜水员数据集是健壮且稳定的。（2）针对如何为下游任务得到质量更好的输入图像问题提出了一个面向潜水员数据集的两阶段图像处理方法。第一阶段对潜水员图像进行像素拉伸或通道转换,第二阶段基于深度学习的思想改善潜水员图像固有的蓝绿色偏差问题,以此增强潜水员图像在后续任务中的特征学习能力。比较于仅使用深度学习方法的模型,本文所提方法将增强后潜水员图像的PSNR指标值提升了4%～9%,且在这三项水下图像处理领域中常用的指标PSNR、SSIM和UIQM上均得到了远超出使用其他方法得到的结果。实验结果表明,该算法能够充分减少图像噪声,在提升图像信噪比和保留结构相似度的同时,极大地提高增强后图像的整体质量。（3）为促进水下人机交互领域的发展,提出了一个基于潜水员姿态估计的水下人机交互方法。该方法针对潜水员骨骼和轮廓信息设计关键点获取算法得到潜水员的完整姿态,利用姿态信息预测潜水员下一时刻的航向,进而让水下机器人预判潜水员航向,实现水下人机交互的任务。在人体关键点检测任务上得到了0.88的关键点相似度,该结果较本人前期工作中已发表的SCI论文所取得的结果高出3个百分点。大量实验结果表明,本文提出的基于潜水员姿态估计的水下人机交互方法能够鲁棒并准确地识别潜水员的水下姿态,进而即时且稳定的完成潜水员航向预测任务。