近年来,由于陆地上可利用资源储量逐年减少,海洋中的资源将成为人类生存与发展的根本保障。从海洋中采集的水下图像作为信息传送的媒介,它可以直观地反映促进科研进步与人类文明发展的海洋信息。由于复杂的水下环境及水对光的吸收和散射作用,图像采集设备捕获到的水下图像通常出现严重的退化问题。而退化的水下图像很难直接应用于海洋环境监测、海洋文化遗产勘探、海洋场景分析、海洋军事应用、水下机器人的自动巡航、水下目标检测等水下高级视觉任务。在上述背景下,为促进人类更好地开发和利用海洋资源,寻找有效的方法对退化水下图像进行增强具有重要意义。为了提升退化水下图像的视觉感知效果,众多研究人员分别采用传统的图像增强方法和基于深度学习的图像增强方法对退化水下图像进行处理。基于深度学习的水下图像增强方法通常对退化水下图像有较好的增强效果,特别是基于生成对抗网络的水下图像增强模型,在改善图像清晰度、对比度以及颜色偏差方面表现良好,优于传统的增强方法。然而,由于水下环境的多样性,一些基于生成对抗网络的图像增强方法对退化水下图像的质量改善效果仍存在不足之处。为有效改善多样性的水下环境中拍摄的图像视觉质量,本文将利用深度学习中的生成对抗网络设计出两种不同的水下图像增强模型,从而提高退化水下图像的可视质量。本文的研究内容从如下两方面展开:（1）为解决光在水下传播过程中由吸收与散射效应导致的水下图像模糊、对比度低和颜色偏差问题,提出一种基于Inception-Residual和生成对抗网络的水下图像增强方法。首先,将退化水下图像缩放至256×256×3大小,以获得用于训练模型的数据集。接着,将Inception模块、残差思想、编码解码结构和生成对抗网络相结合,构建IRGAN（Generative Adversarial Network with Inception-Residual）模型来增强水下图像。该模型中的Inception-Residual模块将Inception模块与残差学习思想进行融合,克服了深层网络的梯度消失问题,提升了该增强模型的性能。然后,利用全局相似性、内容感知和色彩感知构造多项损失函数,约束生成网络和判别网络的对抗训练。最后,通过训练好的模型对退化水下图像进行处理以获得清晰的水下图像。实验结果表明,与现有增强方法相比,所提方法增强的水下图像在PSNR、UIQM和IE指标上的平均值分别比第二名提升13.6%、4.1%和0.9%。在主观感知和客观评估中,增强后的水下图像在清晰度、对比度增强和颜色校正方面均得到改善。（2）为有效解决特征提取过程中出现的图像细节信息丢失问题,提出一种基于金字塔注意力机制和生成对抗网络的水下图像增强方法。该方法融合了图像的底层细节信息和高层语义信息,并且将生成对抗网络作为其基本架构。生成网络采用编码解码结构并引入特征金字塔注意力模块,多尺度金字塔特征与注意力机制的结合有利于捕获更丰富的高级特征和图像的细节信息,从而进一步提升模型的泛化性能。判别网络采用类似马尔可夫判别器的结构。此外,通过构建包含全局相似性、内容感知和色彩感知的多项损失函数,使增强后的图像与参考图像的结构、内容和色彩保持一致。实验结果表明,与对比方法相比,所提方法增强的水下图像在SSIM、UIQM和OG-IQA指标上的平均值分别比第二名提升1.0%、2.9%和2.6%。在定性和定量对比分析中,所提方法增强后的水下图像在细节信息、清晰度、对比度和色彩校正等方面都有所改善,且处理多样性场景的退化水下图像时泛化性能更好。