水下探测和水下作业技术伴随着海洋工程装备技术的发展而得到了迅速的发展,随着海洋开发需求的提高,水下机器人在水下数据监测、海底探测、海洋目标获取以及识别等领域的应用越来越广泛,这些工作的成功与否都与水下机器人对目标的识别与定位息息相关。图像信息包含内容丰富,且目标清晰,可以提高分辨率,因此常常被用来进行目标识别。本文应用机器视觉与图像处理技术对水下目标识别与定位技术做研究。针对传统的图像识别算法在复杂背景下特征提取时鲁棒性不足,识别率较低的问题,本研究提出一种传统目标识别与深度学习相结合的方法来提高目标识别率。作为深度学习的常见模型之一,卷积神经网络具有良好的语义分割能力,能够有效提升图像识别率。针对水下目标定位,本文设计了双目立体视觉系统来完成对目标的三维位置信息确定。目标识别的流程包含图像预处理、图像增强与复原、目标提取以及最终的识别。图像的预处理主要用来去除图像中的噪声,由于水下悬浮物众多、成像环境复杂,预处理之后往往还需要增强图像的对比度以及恢复失真的图像颜色。而目标提取的作用主要是将目标与背景分割开,使得目标在背景中更加突出,以便于之后的识别操作。针对目标识别技术的研究,本文首先对传统的BOF算法识别过程进行了详尽的分析,然后对卷积神经网络的优势以及特点做出了介绍,包括其卷积和池化原理,最后对AlexNet模型的网络结构做出了分析。除了理论分析,本文还利用水下图像对设计的识别算法进行了具体的实验验证,制作了自已的图像数据库,实验结果显示本文设计的方法能够大大提升水下目标识别率。此外,本文对双目视觉定位算法原理做出了分析,设计了双目视觉系统的软硬件系统并做了双目定位实验。