水下成像技术已广泛应用于多个领域,如海洋生物研究、水下目标探测等。在水下成像时,由于海水对光线的严重吸收和散射,导致获取的水下光学图像清晰度降低,并呈现出明显的色偏。不仅严重影响了水下图像的成像质量,更为后续检测识别工作带来不利影响。因此,如何有效去除海水影响,提升水下降质图像的质量是一项颇具研究价值并更有挑战性的工作。针对现有基于深度学习的水下图像处理方法在训练数据和网络结构上存在的不足,本文提出两种基于卷积神经网络的水下图像复原方法,通过提高对水下图像未知参数的估计准确度,从而更好的解决了水下图像清晰度低和色偏明显的问题。本文创新性工作归纳如下:一、为了解决目前缺少多样性数据集的问题,本文首先提出了一种基于水下成像模型的水下图像合成方法。该方法借助现有的深度图数据集,在红色通道衰减比蓝色和绿色通道更严重的先验下,利用水下成像模型计算得到合成的水下图像。该方法可以获取不同蓝绿色偏、不同模糊程度和不同场景下的水下合成图像,也可以用于合成人工光源下的水下图像,实现了数据集的多样性,并保证了数据的正确性。二、针对现有水下图像复原方法对水下图像的透射率和环境光估计的不够准确的问题,本文提出了一种基于深度学习的水下图像复原方法。其中,设计了一种新的水下图像并行参数估计网络,包括水下图像透射率估计分支和水下图像环境光估计分支。特别地,水下图像透射率估计网络中设计了跨层连接和多尺度估计结构,可以有效保持边界,抑制复原结果中的晕影。通过所设计的卷积神经网络估计出水下图像的透射率和环境光,然后反演水下成像模型得到复原图像。通过对比实验可以证明该方法能够估计更为准确的环境光与透射率,并且能够增强水下图像的对比度并校正其色偏,复原的结果更加自然。三、考虑到水下拍摄工作中常常采用人工光源补偿场景亮度,为了消除人工光源对图像复原的影响,本文进一步提出了一种可同时用于自然光和人工光源环境下的水下图像复原方法。其中,构建了人工光源环境下的水下成像模型和数据集合成方法,并设计了水下图像人工光源强度估计网络。此外,通过为环境光估计网络的输入加入透射率图辅助估计,提高了对环境光的估计准确性。该方法进一步提高方法的应用范围和处理效果,在增强图像对比度和校正图像色偏的同时,可以调整图像亮度。