随着社会科技发展和资源需求的日渐增加,海洋资源开发和水下探测作业已成为各国的重要发展战略。由于环境条件的限制,水下能见度低,环境地形复杂,而且水深处压强大,需要借助自主式水下机器人(Autonomous Underwater Vehicle,AUV)来执行水下任务。AUV水下探测可实现脱缆工作,能在水下进行长时间、大范围的探测作业,具有效率高、可控性强和安全智能等优势。但是,水下成像环境复杂,AUV自身携带的水下摄像机所采集的图像相比于陆地图像退化严重,而且单幅水下图像视野范围有限,难以获得充分的水下信息,使得光视觉图像在水下的可视范围和分辨率受到极大限制。本文将卷积神经网络应用到水下图像增强与图像拼接中,致力于提高水下图像的质量,获取高质量、宽视野的水下全景图像,具体内容如下:首先,针对水下图像特点进行水下图像增强方法研究,利用VOC2012数据集中的清晰图像经过图像模糊、颜色衰减模拟水下图像,并建立水下图像数据集,然后提出一种由卷积子网和逆卷积子网组成的卷积神经网络框架,该网络框架的输入和输出都是完整图像,通过隐含层构成由模糊退化图像到清晰增强图像的非线性映射,利用卷积层在水下退化图像中学习模糊退化特征,对称的逆卷积层有效细化了卷积层特征映射的细节,以此获得水下图像更多细节信息,实现水下图像的增强。其次,研究水下图像特征提取与匹配方法,提出了一种改进CNN-RANSAC的水下图像特征配准方法,通过水下图像分类数据集迁移学习训练VGGNet-16网络框架,利用修改后的网络框架进行特征提取,生成具有鲁棒性的多尺度特征描述符与特征点,经过特征粗匹配与动态内点选择,使用改进的RANSAC方法剔除误匹配点,以提高特征点配准的鲁棒性。在大量水下图像数据集上进行了充分的特征提取和特征匹配实验,并与常用的基于SIFT和SURF配准方法相比,验证所提方法的有效性。最后,研究水下图像融合方法和全景图像拼接方法。首先对水下图像融合方法进行对比分析,包括直接平均法、加权平均融合法、最佳缝合线融合法与拉普拉斯金字塔图像融合方法。然后研究水下全景图像拼接方法,结合图像增强、图像配准和图像融合方法,获得宽视野、高质量且无缝连接的全景水下图像,并利用隧洞、海底和湖底等不同场景下AUV所采集的水下图像,进行了以上方法的试验验证和分析。