水下目标检测是自主水下机器人视觉感知系统中关键性技术之一,其利用传感器采集的图像信息快速准确的识别目标,为后续目标跟踪和定位提供必要依据。传统水下目标检测方法特征提取能力有限,识别率较低。本文采用深度学习方法对水下目标检测进行深入研究,以水底生物产品（扇贝、海星、海参和海胆）为检测对象,从数据增强和模型设计两个方面展开研究,建立并训练水下轻量检测网络模型,最终在Jetson TX2平台完成该模型的物理实验验证。本文主要工作如下:（1）水下数据增强研究针对水产品数据集图像质量差、数据量少和目标类不平衡等问题,采用数据扩增和图像处理的方法进行数据增强。基于改进深度卷积生成对抗网络（DCGAN）来生成大量类别较少的目标,平衡并扩充训练数据集,通过特征融合优化生成器结构提高生成图像的多样性。采用受限对比度自适应直方图均衡化算法（CLAHE）和带颜色恢复的多尺度视网膜算法（MSRCR）解决水下图像对比度低、偏色等问题,提高水产品数据集质量。（2）水下目标检测算法研究针对传统目标检测算法在水下环境中性能较差的问题,深入研究深度学习网络Faster R-CNN、SSD和YOLOv3在水下数据上的表现。通过对比实验结果,将YOLOv3算法作为后续研究的参考模型。同时使用该算法分别对数据扩增和图像增强后的样本进行检测,结果表明数据增强可以有效提高水下目标检测算法的精度。（3）水下轻量检测网络设计针对YOLOv3算法在嵌入式设备运行实时性不足的问题,设计了一种轻量网络模型UWYOLOv3用作水下目标检测。在主干网络中使用深度卷积可分离网络代替标准卷积,并行引入1×1卷积增加网络宽度,采用残差结构将输入映射到输出层。在预测网络中引入HRNet改进传统的特征融合方式,使网络一直保持高分辨率特征表征能力。实验结果表明,UWYOLOv3算法在保持一定的检测精度下,有效提升了检测速度,满足实际工程应用需求。（4）水下目标实时检测系统实现基于NVIDIAJetson TX2平台,搭建了水下实时目标检测系统。完成轻量算法在TX2上的部署和测试,并采用TensorRT进行模型前向推导加速。基于PyQt5设计水下目标检测系统的可视化交互界面,集成图像处理和目标检测功能,最后通过测试展示了该软件的实用价值。