随着海洋技术和计算机科学科技日新月异的发展,目前涉及到水下研究和应用的科学任务越来越多,以水下机器人领域为例:水下机器人的路径导航,水下物体检测和识别,避障,水下数据采集等等方面都离不开高清晰的水下图像做支撑;一些依靠声呐或者激光的技术因为不能够直观的得到人眼能够直观感知的数据,所以也可以使用摄像头作为辅助手段来进行数据协同分析。同样,在海洋领域,水下考古或者是水下生物领域更加需要得到直观而且清晰的水下图像。因此,现在水下任务对于清晰的水下图像需求日益迫切。但是,水下图像技术并没有像它预期的那样广泛应用,其中最主要的原因是水体浑浊度的未知和恶劣,因为水下成像受到反射,散射,水体浑浊等等多种影响,水下图像都带着严重的过曝,或者模糊失真的问题,图像的质量很难达到可用的程度,也就严重制约了图像在水下任务中的应用和发展。基于上面的理论基础,本文实现了从水下数据采集到图像增强这一整个系统系统。在数据采集部分,本文利用生成对抗网络GAN来生成更多的水下图像数据,很好的解决了水下图像数据缺乏的问题,为之后的任务提供了更多的数据。在图像增强这一部分,木文先使用贴合任务的自定义的卷积神经网络架构来实现对于水质浑浊度的自动识别,从而解决了精细选择图像参数的问题。然后利用后向散射和暗通道相结合的模型解决了传统暗通道方法处理之后图像过曝的问题,并且提出了改进的背景光估算算法,使得估算背景光更加合理化,并解决了复原图像偏暗的问题,进一步改善了增强后的图像效果。在最后的试验部分,本文把实验分成了主观试验和客观试验两部分,详细对比了现有的水下图像质量评价方法,把整个对于水下图像质量的评价客观化,同时结合主观的感受来从多个维度判定图像增强算法的好坏。经过上面的研究步骤和实验结果,证实了本系统具有一定的准确性和推广性。