水下成像系统是水下目标自主搜寻与探测的重要保障,而图像清晰化技术是增强水下图像与突显目标区域的有效措施。本文依托于国家科技支撑计划课题“深海水下目标自主搜寻与探测技术”,该课题主要研究水下目标场景的图像采集、图像分类、图像增强、目标检测与跟踪等,本文的主要研究内容包括水下图像的清晰化和分类方法。研究水下图像的成像特性和退化特性研究专用的水下图像清晰化方法,并根据水下增强方法的适用性研究水下图像分类方法。针对主要面临颜色失真问题的水下图像,考虑水下图像在RGB和CIELAB颜色模型中的视觉感知特性,并结合水下成像的光学特性及灰度世界假设理论,提出了基于双色模型整合的水下图像增强方法,该方法在RGB和CIELAB颜色模型分别实施颜色校正和对比度增强。实验结果表明,该方法能够有效校正水下图像的颜色失真,增强水下图像的对比度和纹理细节,并具有良好的鲁棒性。针对主要面临视觉模糊的水下图像,结合水下图像的衰减特性和全局寻优的对比度增强理论,提出了基于全局寻优拉伸的水下图像增强方法,该方法对衰减严重的颜色通道进行分段线性校正,同时采用全局寻优拉伸方法提高前景子图像和背景子图像的对比度。实验结果表明,该方法能够有效去除水下图像的雾和模糊,提高水下图像的清晰度和对比度。针对主要面临低光照度问题的水下图像,结合不同规则的直方图增强全局和局部对比度的优势及多尺度融合理论,提出了基于全局和局部对比度融合的水下图像增强方法,该方法整合了全局对比度增强图像、局部对比度增强图像和纹理细节增强图像之间的互补优势。实验结果表明,该方法能够有效提高水下图像的亮度、全局对比度和局部对比度。针对水下图像的分类问题,根据不同类别水下图像增强方法的适用性,结合水下图像在RGB、CIELAB和HSV颜色模型中色度、亮度、饱和度和对比度等视觉感知特性的差异,提出了基于多颜色模型嵌入学习的水下图像分类方法,该方法充分利用了不同颜色模型中图像的视觉感知特性和深层的网络结构,提高了分类模型的有效性和鲁棒性。该方法不需要繁琐的特征提取过程也能较好提取具有表示性的特征。本文研究过程中,分别收集了1520张颜色失真水下图像,1480张视觉模糊水下图像和1495张低光照度水下图像。并利用收集的4495张水下图像对分类和清晰化方法进行验证。实验结果表明,本文提出的分类方法和清晰化方法对于不同类别的水下图像具有较好的分类和增强性能。