水下光学成像设备的快速发展使得光视觉在水下监测、海洋探索、水下安防、生态研究等领域有着广泛的应用。因此,作为光视觉系统的关键,水下目标检测与识别技术的研究无论是在学术领域还是工程领域都有着重要的意义与价值。本文重点对水下图像增强以及运动目标检测与识别技术进行深入研究,主要工作内容如下:首先,在分析常用的几种水下图像增强算法原理的基础上,针对由于水体介质对光线的吸收和散射作用导致的水下图像对比度低、光照不均等问题,提出一种基于改进限制对比度自适应直方图均衡的水下图像增强算法。根据每个子块的像素分布确定相应的裁剪幅值对直方图进行裁剪、分配;对超出裁剪幅值部分进行二次分配以进一步增强图像细节;引入同态滤波以消除光照不均。通过与其他算法的对比实验验证所提出算法的有效性。其次,分析常用的运动目标检测算法并提出一种基于改进Vi Be的运动目标检测算法。采用高斯金字塔对视频序列图像进行尺度缩放以提高算法的实时性;将五帧差分法与Vi Be算法相结合以消除鬼影区域;针对传统Vi Be算法第一帧建模的不足,利用视频序列的前四帧对样本集进行填充,同时引入样本集的二次更新机制,以增强背景模型的适应能力。通过对比实验验证所提出算法的有效性。然后,针对水下目标识别的难点与传统分类器的不足,采用tiny-dnn深度学习框架实现对水下目标的识别。研究并分析卷积神经网络的基本原理以及tiny-dnn中网络的结构组成;为待识别的目标物体制作相应的数据集并采用数据增强技术对数据集进行扩充以提升模型的泛化能力;通过分析对比选择Leaky Re LU函数作为激活函数并利用数据集完成对卷积神经网络的训练与测试。最后,开发一套水下运动目标检测与识别系统,完成其界面设计与功能实现;搭建软硬件测试环境并进行水箱实验,测试该系统的视频序列显示、水下图像增强、运动目标检测、目标识别以及图像存储等功能。