随着水下机器人技术的发展,水下光学图像的数据量有了爆发式的增长,水下图像的研究热度呈增长趋势。水下光学图像能为诸多水下作业提供重要的支持,例如,技术人员可以通过水下机器人返回的实时视频对水下人工设施进行检查和维修,生物学家可以通过水下图像对海洋生物展开研究,地质学家可以通过海底图像探测资源。在这些任务中,水下图像的处理算法和水下目标检测算法是最为常用的辅助工具。然而,水下的特殊环境会造成图像的严重退化。传统的图像增强算法难以适用于复杂的水下图像,而现有的主流目标检测模型应用于水下图像时也存在较多的错检漏检现象。本文基于深度学习的理论和技术,围绕水下图像处理以及目标检测算法开展探究,完成的具体工作内容如下:第一,针对目前基于有监督学习的水下图像增强算法缺乏足够训练数据集的现象,本文提出了一个GAN（Generative Adversarial Networks）模型。结合水下图像成像模型,利用陆地上采集的RGB-D图像数据集,生成对应的水下风格图像,构成配对式的水下图像增强数据集。第二,针对传统图像增强算法难以适用于水下图像处理的现象,本文提出了一种有监督学习的水下图像增强模型。结合WPT（Wavelet Packet Transform）和CNN（Convolutional Neural Networks）,加强模型的细节特征提取能力和去模糊能力,引入风格损失函数增加模型的色彩校正能力。第三,针对流行算法对水下模糊目标、重叠目标和小目标的漏检及错检问题,本文提出了一种基于Faster R-CNN的改进算法。在主干特征提取网络中引入FPN（Feature Pyramid Networks）结构,加强模型对小目标的检测能力;RPN（Region Proposal Network）模块中用WBF（weighted boxes fusion）取代NMS（non maximum suppression）,加强模型对重叠目标的区分能力;利用双检测头结构取代原有的单头结构,将推荐框的坐标调整和分类任务分开执行,加强模型对模糊目标的定位能力。实验表明,本文提出的水下图像生成模型能有效扩充有监督水下图像增强模型的训练集;提出的水下图像增强模型,在主观视觉和客观指标上均获得更好的表现;提出的水下目标检测模型,相比Faster R-CNN和其他对比算法,具有更高的平均精度均值（Mean Average Precision,m AP）得分。