近些年海洋资源成为重点开发与利用资源。如何对水下生物准确识别变得越来越重要。过去水下生物识别是派遣人员到水下进行拍摄、捕捉,安全无法得到保障。近些年水下机器人的研发与应用解决了这一问题,水下生物目标识别能力的强弱对水下机器人显得尤为重要。本文针对水下生物识别的中水下图像模糊以及目标检测关键技术进行研究。研究内容如下:（1）水下图像增强根据水下光学成像理论,理解水下光的散射现象原理,以及海水本身对于光的吸收作用。对水下图像进行增强处理,有效解决了水下图像蓝绿色波过多的问题,同时部分还原了水下图像的真实情况,为下文水下生物识别提供了特征较为明显的图像。（2）传统目标检测任务研究经过处理后的图像放入经典的深度学习模型中进行对比研究,首先将SSD以及YOLO进行实验。实验结果显示YOLO较SSD模型的精度高,因此将YOLO作为后续改进模型的基础。（3）改进YOLO模型由于YOLO算法存在目标检测速度较快但是识别准确率减低的问题,本文提出了在颈部层网络加入多尺度特征提取结构和在头部网络进行双头设计的改进的。研究结果表明,改进后的YOLO模型对水下生物识别能力有了大大提高。