近几十年来,工业化社会的高速发展导致了资源的短缺,为了形成可持续化发展,人们加大了对海洋资源的开发投入,对海洋领域的研究也日益加深。传统的人工水下作业方式有着作业范围与作业强度的限制,水下的复杂环境也使得人工作业存在很大的风险。因此,水下机器人成为了主流的水下作业方式,在水下安全搜救、水下设备检查与维护、水下生物研究、海洋环境调查等领域都有着广泛的应用。水下图像是水下机器人获取信息的重要途径,然而复杂的水下环境影响了水下图像的质量,使得水下图像分类更具挑战性。卷积神经网络的出现为水下图像分类模型提供了新的性能提高途径,本文基于深度学习对水下图像分类任务进行研究,通过改进的随机向量连接函数神经网络提高分类精度,主要工作内容如下:（1）针对水下图像分类准确率低的问题,利用预训练的Efficientnet B0卷积神经网络作为图像特征提取器,在保留网络从Image Net中学习到的高级特征的同时,用水下图像数据集来训练重置的末端全连接层的参数,避免数据集过小造成过拟合。本文提出了一种双隐藏层随机向量函数连接神经网络作为卷积神经网络的分类器,针对随机权重神经网络的参数随机化导致的性能不稳定问题,在第二隐藏层采用了一种新的参数计算方式,使输出误差更小。算法模型在MLC2008、MLC2009、Fish-gres数据集上进行实验,并对比了最新的卷积神经网络与现有方法,表明所提出的方法在水下图像分类任务中有着更好的分类效果。（2）为了进一步提升水下图像分类准确率,采用预训练的Resnet50卷积神经网络作为特征提取器,在避免过拟合和准确率饱和的同时提高了特征提取能力。本文提出了一种增强的误差最小化随机向量函数连接神经网络,以替代卷积神经网络模型中的softmax分类器进行分类。增强的误差最小化随机向量函数连接神经网络在每个增量过程中选择能够使误差减少最大的隐藏节点加入到网络中,使网络结构更加紧凑,并进一步提高了分类精度。在URPC、Life CLEF2015和Fish4Knowledge数据集上的实验表明所提出的模型在水下图像分类方面表现出更高的分类精度。