水下光学成像在海洋研究、海洋开发、水下工程领域中发挥着重要的作用,然而受到水下光线吸收、散射和压缩传输的影响,获取的水下图像普遍存在锐度低、对比度低、颜色偏差等问题。在水下机器人的采集阶段通过无参考的图像质量评价对图像进行感知,选取可被清晰化的图像进行压缩传输。服务器后端采取两步的清晰化方法,先去除压缩图像振铃效应,再解决原始场景中存在的衰减和散射问题。在水下航行器拍摄质量感知中,本文首先对水下图像的劣化过程进行建模,根据其劣化特点提出相对应的客观评价指标。考虑到人眼视觉特性对于图像评价也有着重要的影响,本文提出结合视觉注意力对图像质量进行评测,使得水下图像质量评测算法更加符合人眼视觉特性。针对压缩模糊图像对应清晰图像的不确定性,本文引入小波变换系数作为先验知识,引入了双域的残差估计网络分别估计像素域和小波域的残差。接着通过生成对抗网络的生成器来生成对应的去振铃模糊图像。在像素域采用迭代的残差估计的方法,并引入了长短期记忆单元来优化迭代估计过程。与现有三种压缩模糊去除算法相比,更能够在去除压缩振铃的同时保持原始图像的信息,提高图像的锐度,输出结果更接近于真实图像。水下光学图像在获取过程中会出现多种类型的劣化,本文通过多尺度融合框架将颜色校正和去浑浊之后之后的水下图像进行融合。在去浑浊过程中采用深度学习方法对传输图进行估计,提高在过浑浊水域估计传输图的精度。与现有的方法对比结果表明:本文提出的算法能够鲁棒地提高水下图像对比度、校正颜色,相对于其它的清晰化方法,主观和客观评价指标上均有更好的性能。扩展的实验表明:本文提出的算法在水下图像特征点匹配、目标分割等应用都有很好的促进。