人类最常通过水下图像了解水下区域的相关信息,探索未知的水下世界。由于水下环境所具有的特殊物理性质以及水下成像的光照条件复杂,摄像装置获得的水下图像发生严重的降质,进而导致水下信息获取变得困难,主要表现在:水体对不同波长的光的吸收程度差异导致获得的水下图像产生严重的颜色偏差;所获水下图像的对比度由于水体环境中存在的漂浮粒子、溶解物等会对入射光发生散射而降低,导致图像模糊。本文针对退化图像存在的色偏、图像模糊以及对比度低,提出基于深度学习的水下图像增强组合增强优化算法。研究内容包括:（1）对于退化图像存在的色偏问题,采用水下生成对抗网络结构,对失真图像与增强图像间的映射关系进行学习,再使用完成学习后的生成网络G对退化图像进行色偏修正处理。结果表明该方法相较于其他颜色平衡方法更加适用于水下图像的色偏处理,对不同色调、不同背景的水下图像均有很好的色偏修正效果。（2）对于色偏修正后仍存在的图像模糊、清晰度低等问题,以及为了解决传统去雾算法分步求解背景光强度与透射率导致的次优解的问题,采用基于一体化去雾模型的图像去模糊方法对色偏修正图进行处理。首先将背景光强t（x）与透射率A统一为一个公式K（x）,然后建立一个自适应卷积神经网络模型以获得去模糊图像,基于去模糊图像与清晰真实图像间的重建误差最小化进行神经网络模型训练,从而实现对统一函数K（x）的求解。根据求解所得统一函数K（x）实现图像的去模糊处理。（3）对于经过上述两步图像增强处理后所得到的水下图像仍存在的对比度低的问题,通过基于全局与局部信息融合的对比度自适应增强方法进行改善。先通过相应的增强算法得到全局对比度自适应增强图与局部对比度自适应增强图;然后通过色调保持框架改善由于对图像三通道分开处理时产生的色调改变问题;最后通过加权对全局增强图与局部增强图进行融合,生成最终的增强的水下图像。实验结果表明,本文所提出的优化算法针对不同场景、不同目标物及不同色偏的水下图像,相较于其他常见的水下图像增强方法,无论是从主观视觉评价角度还是客观质量评价角度,具有更好的处理效果,可以有效改善退化的水下图像中存在的色偏、模糊、低对比度的问题。