随着海洋开发在国家战略地位日益凸显,水下图像作为获取海洋信息的必要手段受到的关注日益渐增。由于水体对光的吸收和散射作用,获取的图像总是存在模糊、色偏、对比度下降等质量退化问题。为了提高水下图像质量,本文基于颜色线模型与深度学习网络,对水下图像恢复与增强展开研究,具体研究内容如下:首先,基于大气环境和水下光学环境的成像原理及对应的成像模型,结合水下光学衰减特性,构建基于成像距离与全局背景光的各颜色通道的水下光学成像模型。基于颜色线模型的模糊评价特性,结合颜色线拟和与筛选条件,构建了基于颜色线模型的去模糊方程,证明了模型的去模糊效果。此外,对现有的图像评价指标进行仿真。其次,针对水下光学成像模型的背景光估计不准确问题,提出一种基于四叉树分割与一元灰度熵评价的全局背景光候选区域估计算法,提高背景光估计的准确性。利用颜色线模型估计透射率时,针对颜色线拟合效率低的问题,提出一种基于相似区域合并的颜色线拟和策略,降低颜色线拟合时间。针对全局背景光矢量与颜色线的相交误差降低透射率估计准确性问题,构建增广拉格朗日方程估计透射率,提高算法在矢量与线的多种位置状态下的适用性。通过消融实验与以往算法比较,验证所提算法能够有效恢复低质量水下图像。最后,针对水下机器人对图像处理的实时性要求,提出了一个基于可形变卷积和模糊特征指数的多尺度条件生成对抗网络来增强水下图像。针对生成图像对网络细节特征学习的要求,设计基于可形变卷积的全局-局部嵌套生成器和多尺度判别器提高网络对整体信息与局部细节的学习能力,提高特征提取效率和特征学习效果。依照颜色线模型的模糊评价特性,设计模糊评价指数,改进网络的去模糊能力。仿真结果表明,所提算法能够满足实时性要求,生成包含丰富细节的清晰水下图像,对颜色校正表现良好。