对海洋资源合理且有效地进行探索开发与管理应用对于人类社会的可持续发展具有重要意义,因此世界各国竞相对水下目标的探测技术和水下信息的传输技术展开了研究。由于水下环境的复杂性和水体运动的随机性,相较于空气中,水下图像复原的难度要大得多。特别是在水-空气界面处,受到水面随机波动和光的复杂折射等因素的影响,水面上拍摄设备跨介质获取的水下目标图像序列会产生强烈的几何畸变,从而严重制约了对水下目标的探索以及后续利用。而且现有的传统跨介质水下扭曲图像迭代复原算法,其时间复杂度较高,无法满足现实作业中实时处理的需求。近年来,深度学习技术在计算机视觉领域成就斐然,在图像复原方向取得了很多不错的成果,特别是在医学图像配准与遥感图像配准中的广泛应用对跨介质水下扭曲图像复原技术的研究具有重要的借鉴意义。本文针对跨介质水下光学成像特性以及跨介质水下扭曲图像复原技术展开了相关研究,主要工作如下:(1)系统总结了跨介质水下扭曲图像复原的研究现状及关键技术,并简要介绍了深度学习技术在图像配准领域中的重要应用。(2)研究了跨介质水下的光学特性,并且结合图像退化模型,阐述了这些特性对跨介质水下光学成像结果的影响。(3)总结了图像配准算法的基本原理与流程,并对传统的基于迭代的跨介质水下扭曲图像配准算法进行了仿真。(4)在空间变换网络和双三次B样条图像配准算法的基础上,提出了基于深度学习的跨介质水下扭曲图像复原算法并设计了相应的神经网络模型。其中将成对的扭曲序列图像和序列的均值图像作为输入,通过卷积神经网络分析二者之间相对应的区域,并输出局部形变参数,空间变换网络则利用估计的形变向量场,通过双三次B样条插值,将扭曲序列图像与序列的均值图像进行配准得到复原后图像。(5)在计算机生成的扭曲图像和真实的跨介质水下扭曲图像上对本文算法进行了仿真测试,实验结果表明在上述两种图像数据集上均取得了良好的复原效果,并且和传统的迭代复原算法相比,运行时间大幅度减少,可满足实时性复原的需求。