海洋中含有丰富的资源,对地球生命的延续有着决定性的作用。可见光在水下传播过程中,由于颗粒的散射和水的吸收作用,得到的水下图像很难满足人的视觉感知。光的散射容易导致水下图像变的模糊和细节模糊,光的吸收容易导致水下图像的颜色失真、图像对比度和图像亮度降低。由于水下光的吸收和散射使得水下目标的检测识别面临巨大的挑战。近年来,水下目标检测识别已经被广泛应用于海洋渔业、海洋军事、海洋保护、水下考古等领域。在海洋渔业领域,可以对鱼群进行实时监控跟踪,对海产品进行检测和自动抓取;在海洋军事领域,对水下可疑目标进行监视和跟踪;在水下环境保护领域,可以对海底垃圾进行抓取,保护环境;在水下考古领域,可以帮助考古学家探索海底沉船和水下遗迹。由于水下光学图像应用的智能化、高效化,所以越来越多研究学者投入到水下光学图像的研究工作当中。本文的主要研究内容归纳如下:（1）详细归纳了水下图像增强复原方法。首先,介绍了水下光学图像的物理成像模型。然后,具体介绍了以基于非物理模型和物理模型的水下光学图像增强复原算法。最后,本文评价了水下光学图像增强与复原算法的优缺点。（2）本文提出了基于融合的水下图像增强算法。为了避免噪声对实验结果的影响,使用高斯滤波对采集到的水下光学图像进行处理,去除图像噪声。然后,分别对此图像做色彩校正处理（UCM）和对比度增强处理（CLAHE）,再对这两幅图像做加权融合处理。最后,将本文的方法与其它方法进行实验对比,从主客观两方面对实验结果进行分析评估,发现经本文算法处理后的图像在图像色度、图像对比度和饱和度等方面达到平衡,使处理后的图像较为符合人的视觉感知。（3）本文提出了基于图像增强的目标检测识别算法。首先,本文详细介绍卷积神经网络的基本网络结构。然后,对YOLOv3目标检测网络进行了详细分析,在此基础之上,提出了基于图像增强的目标检测识别方法,并且介绍了数据集、水下图像预处理方法和水下图像目标检测方法评价指标。最后,通过实验对比,与YOLOv3-DPFIN、YOLOv3和YOLOv3-Tiny算法相比,本文基于增强的目标检测识别算法更优异。