海洋是富含油气资源、生物资源和矿产资源的宝库,海洋探索需要高效的水下探测手段。水下视觉技术为水下探测提供了重要的支撑,水下视频和图像的质量直接影响着水下作业的效益。但是复杂多变的水下环境为高质量视觉图像的获取提出了挑战,包括:（1）海水对不同波长的光线的选择性吸收,使得水下图像呈现出颜色降维。（2）悬浮颗粒散射造成目标景物的模糊。（3）水下生物运动、湍流等因素造成水下图像的模糊。这些退化制约了诸多水下视觉应用的性能和效果。因此,提高水下图像的清晰度已经成为水下视觉任务的迫切需求。本文针对水下图像样本数量少及种类有限的问题,建立了四种水下图像仿真模型:通过简化经典Jaffe-McGlamery水下图像成像模型建立了光吸收模型和光散射模型;通过改进Kolmogorov功率谱建立了湍流模糊模型;根据圆盘离焦函数建立了离焦模型。调节这些仿真模型的参数,能够快速模拟出多种接近水下真实情况的图片。本文提出了一种结合图像复原和图像增强的多尺度融合框架。将去雾增强后图像和白平衡图像作为输入图像,计算输入图像的四种权重,将输入图像和对应权重进行高斯金字塔和拉普拉斯金字塔分解,多尺度融合获得最后的清晰化图像。其中的去雾算法根据颜色聚类算法估计出RGB通道的传输图,并根据颜色衰减曲线重建了水下衰减最为严重的红色通道传输图。实验证明该算法处理结果能有效去除雾状浑浊,消除颜色降维,提高图像对比度。本文还提出了一种结合传统算法和深度学习的综合框架,该框架由颜色校正和增强清晰度算法组成。本文提出的水下图像颜色校正方法主要基于直方图拉伸,通过水下光衰减的性质和图像直方图分布特性来纠正图像偏色,调校图像对比度。本文利用门控融合网络增强水下图像纹理细节和提高图像清晰度,该网络为双分支架构,包括去模糊、超分特征提取、门控融合、纹理重建四个模块。实验结果表明该框架对图像改善水下图像白平衡,增强边缘清晰度有一定的效果。