水下光学成像是人类获取海洋信息的重要途径之一。复杂水下成像环境中,大量溶解物与颗粒物造成的光线吸收、折射和散射等效应往往极大地降低了成像质量,导致图像对比度降低、颜色失真和细节模糊等问题,加大了计算机视觉任务的难度。因此,如何有效地提升复杂水体环境中的光学图像质量是水下光学成像技术面临的核心问题。本文研究内容围绕水下光学图像增强领域的关键问题展开,针对水下成像物理模型局限性问题、场景先验假设不适定问题、模型参数病态估计问题以及后向散射光去除不完全问题,以水下光学成像系统机制与特性为出发点,基于物理模型与深度学习对水下光学图像增强方法展开了深入的研究。（1）针对传统水下成像模型对水下图像退化过程描述不全面的局限性问题,本文建立水下光学成像三维坐标系,结合Jaffe-Mc Glamery水下光学成像模型与水下辐射传输方程,分析不同光照条件下成像质量相关的多个光衰减阶段,建立自然光照与复杂光照条件下的多阶段衰减水下成像模型。结合真实水体所具有的吸收散射特性进行水下图像仿真实验,模拟不同光照、不同水体以及不同水深的水下光学成像过程。建模仿真表明,与传统成像模型相比,本文建立的水下成像模型能够更系统地描述水下光学图像的退化过程。（2）针对复杂光照条件下先验假设不适定的局限性问题,本文以多阶段衰减水下成像模型为基础,分析人工光照与自然光照入射阶段衰减导致的非均匀颜色偏差,提出一种局部白平衡方法改善图像颜色并抑制高亮区域过度增强。研究透射率和场景深度之间的关系,将透射率估计问题转化成归一化场景深度估计问题,提出一种基于全变分场景深度估计的图像去散射方法。根据场景深度先验知识设计场景深度优化目标函数,并采用交替方向乘子法进行求解,结合四叉树分层搜索方法求解无穷远处背景光,去除场景-相机阶段的后向散射效应。实验结果表明,本文方法能够有效解决后向散射导致的低对比度问题以及复杂光照导致的非均匀颜色衰退问题。（3）针对不同类型水体环境衰减特性差异导致的模型参数病态估计问题,本文将多阶段衰减水下成像模型与深度神经网络结合,提出一种基于多衰减参数联合学习生成对抗网络的水下图像增强方法。建立针对不同光衰减阶段的多参数学习任务,通过深度神经网络提升参数估计的稳定性,从颜色、对比度以及细节等方面提升水下图像视觉质量。将多阶段衰减水下成像模型与多种真实水体环境的吸收散射特性相结合,建立涵盖多种水体环境的多参数通用合成水下图像数据集,为数据驱动的水下图像增强方法提供训练数据,满足多参数与端到端的训练要求。实验结果表明,本文方法能够有效提升多样化衰减水体环境中的图像视觉质量。（4）针对高浑浊度强散射水体环境中后向散射光去除不完全问题,本文提出一种基于多偏振态信息融合生成对抗网络的水下图像增强方法。将光偏振特性与深度神经网络结合,建立多偏振态信息与场景辐射之间的映射函数,根据场景反射光与后向散射光之间的偏振态差异对后向散射光进行共模抑制,实现端到端的水下图像增强,避免传统参数估计以及后向区域人工选取导致的偏差。建立涵盖多种水体环境不同浑浊度的水下偏振图像数据集,为数据驱动的偏振图像增强模型训练与方法验证提供数据支撑。实验结果表明,本文方法能够有效去除高浑浊度水体环境中强烈的后向散射效应。本文针对水下光学图像增强方法存在的关键问题,基于物理模型和深度学习设计水下光学图像增强方法,解决复杂水体环境中水下光学图像的退化问题,改善图像视觉质量,服务于基于光视觉的水下作业任务。本文的研究内容具有重要的理论意义和实际应用价值。