水下光学图像被广泛地应用于水下资源的探索当中。水下光学图像的采集设备及易受到水生物的遮挡与水下传输噪声的影响,导致最终获得的光学图像出现内容缺失,对后续的针对水下光学图像的分析工作造成了不良影响。因此,为获得内容完整的水下光学图像,研究、设计相关的图像修复算法具有重要的意义。随着深度学习技术的快速发展,一系列基于生成对抗网络的光学图像修复算法被广泛的应用于水下光学图像修复并取得了一定的修复效果。但该系列方法仍存在需进一步改进的问题:第一,当水下光学图像的缺失像素与紧邻缺失区域的周边像素具有较低的相似性时,算法的修复效果欠佳;第二,仅使用单级网络模型,易使得修复后的光学图像的部分区域语义连续程度较低;第三,在水下图像修复模型的优化过程中,缺少已被证明有助于提升深度学习算法准确度的难易样本平衡方法,影响深度学习模型对受损像素的修复能力。本文针对上述问题,对光学图像修复理论以及相关修复方法进行深入研究,并进行如下工作:1、针对缺失像素与近邻完好像素的相似性较低的问题,本文提出了一种基于生成对抗网络的自适应卷积算法。该算法引入了注意力策略,可自适应的分析光学图像的缺失像素与完好像素之间的关联性并进行位置偏移,缓解局部相关性先验对生成对抗网络的约束。为验证算法的有效性,进行相关的对比实验。2、针对仅使用单级网络不利于修复后光学图像的语义连续性问题,本文提出了一种网络融合的方法。该方法采用级联模型的策略,在获得单阶段生成对抗网络模型之后,二次构建生成模型以减小像素连续程度较低的区域面积。为验证算法的有效性,进行相关的对比实验。3、针对缺少相关的的难易样本平衡方法的问题,本文提出了一种适用于生成对抗网络的难例挖掘方法。该方法在训练过程中不断计算当前阶段的光学图像修复结果与完好的光学图像之间的差异值,并根据差异值的大小自适应的进行权重平衡。为验证算法的有效性,进行相关的对比实验。