物体识别技术是机器视觉、模式识别与机器学习领域非常活跃的研究方向,它使用计算机模拟人类认知学习的过程,以现有物体图像为基础提取出特征参量,形成一定的规律并能够对新图像中物体进行识别分类。该技术已经在安防、交通及互联网等诸多领域得到广泛应用。水下环境光学成像限制因素较多,成像质量差导致特征参量提取困难,因而鲜有水下物体识别的相关研究工作。偏振成像技术能够消除杂散光的影响,既能提升成像质量,又能表征物体特性,适用于水下成像环境。本文将物体识别技术与偏振成像技术有机结合,提出了一种基于偏振成像的水下物体提识别技术,能够同时实现目标物体材质和种类的识别。该技术主要包含水下目标物偏振图像的获取,数字图像处理,及基于深度学习技术的材质和物体的智能识别等若干内容。首先搭建了偏振成像平台以实现水下目标物偏振图像的获取。通过选取液晶相位延迟器为延迟器件及设立立式成像结构减少了机械操作及水箱侧壁对成像质量的影响;通过使用斯托克斯偏振成像技术获取了表征物体特性的光强、空间、偏振度等多维信息,同时其图像间良好的互补性和冗余性能够明显提升图像质量。其次进行数字图像处理以提取物体的特征参量并初步实现材质人眼识别。通过在MATLAB等数学软件上编程实现对多幅图像进行运算融合,获得了目标物的偏振度和偏振角等偏振图像,偏振图像的强度能够直观的反映物体的偏振反射特性,从而有效地提取出普通图像不能表示的偏振信息;通过把偏振图像映射至彩色空间,以不同颜色而不是灰度表征物体特性,实现了灰度图像到彩色图像的转换,把人眼无法识别的细小灰度差异转化成了能够分辨的色彩差异;通过不同颜色空间转换并绘制物体颜色的散点分布图,能够实现以颜色位置及分布为基础的目视系统下的材质识别。最后在彩色差异识别的基础上,结合深度学习技术构建神经网络并设置学习参数,将不同材质的伪色彩处理图像转换格式输入后即可开始材质识别的深度学习过程,材质识别在测试库中最高正确率可达99.7%。结合物体米勒矩阵及三维形貌等特征开展了物体种类的智能识别,自建常见物体测试库识别正确率为79.2%。该识别方法更为客观精确,结果令人满意。