近年来,随着陆地资源的逐渐减少海洋成为了人类探索的目标。水下图像作为重要的信息载体,直观地反映水下环境信息,对海洋勘探、海洋环境监测、生物救援、水下机器人、海洋军事应用等的研究具有重要作用。但由于水下环境复杂及水中悬浮颗粒对光的吸收和散射,使捕获的水下图像质量严重衰减,很难直接用于高级计算机视觉任务。为了获取高质量的水下图像,部分研究人员根据图像像素分布的统计规律,将像素值进行均衡化处理,此类方法可以很好地去除水下图像的色彩偏移,但容易出现过饱和现象且没有考虑复杂的光学成像模型及相应参数的影响。基于图像光学成像模型的复原方法则以光学模型为基础,但该方法恢复的图像质量很大程度上取决于先验知识,且时间复杂度相对较高。近年来,随着深度学习在图像处理领域取得的显著成就,更多的研究人员通过模型训练进行图像质量恢复。然而,由于目前深度学习技术尚不成熟,改善水下成像质量仍然是一项具有挑战性的任务。本文基于图像像素值分布及光学成像模型,利用传统图像增强方法取得的显著优势,结合深度学习网络进行特征提取,恢复水下图像质量。主要从以下两个方面进行展开:（1）提出了结合图像惩罚的生成对抗网络水下图像增强。水下图像经常伴随着低对比度、细节丢失、色彩偏移等问题,很难用于进一步的水下研究;而随着深度学习方法在水下图像增强领域取得的突出成果,本文使用生成对抗网络（Generative adversarial network,GAN）进行水下图像增强。考虑到现有的深度学习方法对特定的真实数据集有较好的恢复效果,对合成的水下数据集存在较大的局限性,本文从网络结构的泛化性入手,结合传统图像增强方法的优势进行水下图像增强模型的构建。主要包括以下三个部分:首先,为了避免传统拉伸方法的过饱和现象,利用单幅图像的均值和方差限制对图像拉伸范围进行限制,提高原始水下图像的对比度、改善色彩偏移等;接着,利用GAN模型进行特征提取,其中,生成器采用基于U-Net的编解码结构,考虑到不同的细节信息,在生成器的编码过程中加入多尺度卷积,同时加入跳跃连接避免低层信息丢失。对于判别器,使用Patch GAN代替传统的判别模型;最后,构建多项损失函数,将预处理的图像作为伪真值对模型施加惩罚,引导模型具有更好的泛化性能。在真实水下图像数据集和合成水下数据集的定性和定量结果表明,该方法能够明显提升图像质量,具有较好的鲁棒性。（2）提出了基于双生成器融合的水下图像增强方法。由于水下图像成像过程复杂,通过简单地像素值重分布忽略了模型的复杂性及参数的影响,本文充分考虑了水下图像的光学成像模型,同时进一步考虑亮度不均的水下图像。具体实现步骤包括三部分:首先,基于水下光线衰减先验（Underwater Light Attenuation Prior,ULAP）估计低质图像的深度图（Transmission Map,TM）和背景光（Background Light,BL）,根据光学成像的数学模型进行反演,恢复水下图像的色彩信息,同时利用伽马校正（Gamma correction,GC）对低亮度的水下图像进行光线补偿。其次,利用采用相同网络结构的双生成器对水下图像进行模型训练,网络结构与结合图像惩罚的模型相同;为了进一步加强学习模型的特征提取能力,在生成器中加入注意力机制。最后,将ULAP和GC增强之后的图像分别作为两个生成器的惩罚项,将两个生成器的输出结果进行像素值融合,使用多项损失函数引导生成器学习。实验结果表明,该算法对水下图像的色偏和亮度不均匀有很大的改善,在合成数据集上的实验结果也表明,该方法具有较好的泛化性能。