水下图像是海洋信息的重要载体。然而,水下场景的特定物理和化学特性条件的严重影响往往造成了水下图像的能量损失,这带来了比在地面成像系统更难克服的问题。即使一个干净的水下图像可以也存在不同的像质退化。如果遇到偏色、低亮度、水质浑浊等不利因素,情况会更严重,这将导致图像变得更加模糊,水下物体的可见性显著减弱。不借助附加图像或者先验信息,单张水下图像的恢复或增强工作是一项极具挑战性的视觉任务。围绕这一视觉任务,本文的主要完成了以下工作:（1）提出了一种使用随机连接神经网络和协同进化的水下图像增强算法。首先,为了恢复图像的色彩、锐度和对比度,先使用一种简单有效的白平衡来恢复图像的色彩信息,同时为了增加图像的细节信息,增强图像的锐度,根据大气规则先验的方法,图像的深度信息和图像的细节信息成反比,图像的大气光系数和细节信息成正比,以此来增加图像的细节信息。最后针对图像亮度较低的问题,同时为了不引入其他先验知识的影响,采用反转图像使用暗通道先验来增加图像的亮度。由于整个过程复杂,对图像处理过程中设计校对的参数设置的问题,在关键环节的参数进行自适应调节,以此来避免人为设计参数对整个过程的影响。（2）提出了一种新的基于深度卷积神经网络的水下图像修复算法,该模型可以学习水下图像退化的空间变量分布特征。本文利用一种注意力机制将加权因子分配给特征图上不同位置的区域,同时确保可以自适应的进行,而无需任何人工标注。本文还提出了一种嵌入网络结构来实现这种区域注意机制。该网络结构是多尺度的卷积神经网格,可以将来自不同区域的语义信息融合到注意力图中的局部区域。该修复效果优于其他算法的修复结果,同时可以明显的增强图像的清晰度。