海洋资源的勘探和利用是目前发展值得关注的点。但目前依靠潜水员进行水下作业不仅具有高风险,消耗大量人力,而且效率较低。所以开发ROV（Remote Operated Vehicle）辅助作业系统,用水下机器人代替人工,是解决人工水下作业缺点的方法之一。ROV辅助作业系统的开发,对海洋资源的开发和探索具有重要的现实意义。目标检测是水下机器人在信息融合过程中关键的环节,其结果会直接影响机械的操作与规划。为了支持水下机器人进行识别和机械操作,有必要对水下目标检测技术进行研究。传统的目标检测算法在水下模糊环境下受到较大的影响,检测精度表现不佳。近年来,深度学习方法在人脸识别、物体识别和目标检测等应用领域中大获成功,展示出优异的表现。深度学习具有识别精度高,速度快等特点,因此基于深度学习的目标检测方法为本文指明了研究的方向。本文首先分析水下目标检测的研究现状,然后研究基于Faster R-CNN（Faster Region-Based Convolutional Neural Networks）的目标检测算法,接着提出对Faster R-CNN的改进方法,最后通过实验结果得出结论。本文的主要研究内容如下:（1）从宽度上改进Faster R-CNN网络结构,对特征获取模块的进行改进,横向增加不同尺度的卷积层,使其从多个角度获取特征语义信息,丰富的特征信息有利于目标检测精度的提高。（2）针对水下目标图像的特点,分析其影响目标检测效果的因素。通过基于Retinex和基于暗通道相结合的图像算法,以及数据增强的方法,提升图像特征,为深度学习模型的训练奠定基础。利用水下目标图像的特点制定相应的检测策略,提高模型的目标检测效果。实验结果表明,改进的基于Faster R-CNN的目标检测方法对水下目标的检测效果有所提升。这也说明,对数据集的恰当处理,以及对深度学习模型的有利改进,能对目标检测效果有所帮助。