随着当前市场上海产品需求量的增加,研究利用机器视觉算法识别水下图像中的海洋生物成为未来海产品捕捞的技术趋势。本文选择海胆、海参、扇贝和海星作为水下图像目标识别算法实验的对象,研究图像中海胆、海参、扇贝和海星多类别识别的相关问题。受限于复杂的水下环境,水下图像不仅含有大量分布无规律的小尺寸目标,还会受噪声、缺少照明、摄像头抖动等多方面问题的影响,导致水下图像存在噪声大、偏色失真、纹理信息缺失等缺点,使用既有自然环境的识别方法获得的结果往往存在识别精度不高问题,很容易出现漏检和误检。因此在实际工程中,为了获得高精度的检测结果,结合水下图像的特性,非常有必要基于深度神经网络,对图像目标识别算法进行改进,对低质量的图像进行增强。首先针对水下图像中目标物分布无规律且尺寸较小的特点,本文提出了基于深度神经网络的适用于小目标检测的水下图像目标识别算法,通过结合自顶向下和自底向上的特征提取路径更好地提取水下图像的特征,同时在训练网络时根据区域建议自动更新Io U阈值,并根据新的样本分布情况,替换原始的边框回归损失函数,实现了对水下图像目标识别网络更科学的训练,这有助于更好的完成水下图像中普遍存在的小尺寸目标物的检测任务。然后针对水下图像存在噪声、偏色和运动模糊问题,本文提出了基于深度神经网络的轻量级图像增强算法,在算法中引入注意力机制抑制特征中的无用信息,放大有用信息,颜色校正网络中使用生成对抗机制,根据水体环境自适应的恢复水下图像原有色彩,模糊校正网络中采用“从粗到细”的策略,从不同分辨率还原清晰图像,并使用LSTM机制传递小尺寸图像特征中的隐藏信息,从三个角度缓解导致水下图像质量差的因素的影响,进而提高检测算法的精度。而后分别在一阶段检测网络和二阶段检测网络中引入图像增强网络,进行联合训练,实验证明了本文提出的图像增强网络可以在几乎不减慢检测速度的前提下,明显增强水下图像的视觉质量,进而大幅度提高海胆、海参、扇贝和海星四类海洋生物的识别精度。为了验证各个模块的有效性,最后还对所提算法进行了消融实验,通过在原始网络中依次引入所提的图像增强网络,证明每个网络对于检测精度的提升是有帮助的,同时加入三个增强模块,互相促进,能获得最好的精度提升。