陆地资源开发的压力使人们越来越多的开始关注海洋资源。水下视觉技术在海洋资源开发、海底观测、水下考古和水下自主航行等方面具有重要应用价值。在海洋探测中主要以视觉任务为主,而水下图像或视频作为视觉任务的直接信息来源在海洋探测中扮演着重要角色。自然光线在水中传播时会受到悬浮粒子对光线的吸收、散射和折射,导致水下图像清晰度低、对比度低、颜色失真和非均匀光照等现象,影响后续的高级视觉任务。为了改善水下图像质量,需要对退化的水下图像进行有效地增强。现有的基于传统图像处理技术和水下成像模型的增强方法存在许多局限性。随着深度学习在图像处理领域的广泛应用,特别是卷积神经网络对于图像特征的有效提取,水下图像增强的效果不断得到提升。为了进一步提高水下图像的质量,本文从增强模型的设计方面展开研究,利用卷积神经网络构造2种不同的水下图像增强模型,并和不同的方法进行定性定量的对比,为水下图像增强提供不同的技术方案。本文的主要研究内容如下:（1）退化水下图像恢复是一个具有挑战性的任务。由于光线在水中传播时会产生不同程度的衰减,导致原始水下图像清晰度低、细节缺失和颜色偏差。针对这些问题,提出一种基于多尺度注意力融合和CNN的水下图像恢复方法。利用注意力机制构造SC模块,通过在多尺度特征提取中加入SC模块,可以有效地提取图像中的信息,实现图像清晰度的提高和颜色校正。利用拉普拉斯算子构造多功能损失函数,进一步增强图像细节特征,有效提高水下图像的清晰度,将所提方法和其他方法在多种测试数据上进行定量和定性的对比。实验结果显示,恢复后的图像在图像清晰度、细节增强和颜色校正方面都表现出较好的恢复效果。（2）为了融合图像底层细节信息和高层语义信息,提出一种基于渐进多尺度残差网络融合的水下图像增强方法。将渐进多尺度特征提取、残差网络和通道注意力相结合,实现图像特征的有效提取,增强细节特征,改善梯度流;利用结构相似性损失实现图像颜色的校正,使得增强后的图像和退化图像在结构和内容上保持一致。将所提方法与其他方法在测试集上进行定性和定量实验,在PSNR和SSIM指标上分别提升0.83%和0.3%。结果表明,该方法可以有效地实现颜色校正,改善图像细节模糊的问题,较好地保留图像的细节和语义信息。最后,我们对模型可以改进的地方和未来的研究方向做了展望,以期在水下图像增强方面做出更多的成果。