在军事和民用领域,水下成像技术是水下探测作业的重要手段,光学成像作用范围和距离受限,尤其在浑水情况下光信息的传播受干扰情况严重。声学信号传播距离远的同时具备良好的穿透性,能够抵抗一定的干扰。但是水下环境复杂且多变,受噪声等一系列因素影响,声呐图像普遍噪声严重、分辨率低,对声呐图像后续研究工作时产生极大影响。为了提高声呐图像的处理效率,噪声去除、提高分辨率、增强对比度等工作能够为后续研究奠定良好的基础。传统的图像增强方法存在去除噪声不干净、细节信息缺失的问题,采取生成对抗网络的方法能够获得更加突出的增强效果。论文主要研究内容具体如下:（1）在声呐图像去噪研究中,选择DnCNN模型应用于声呐图像去噪,在网络模型中,将生成网络作为去噪网络,采用残差网络和跳过连接的网络结构,通过神经网络将噪声图像中的噪声提取出来的同时不断学习图像细节特征,针对声呐图像样本进行学习噪声图像与无噪图像的联系与差别,能够在保证网络训练速度的同时恢复更多声呐图像的细节信息。在原有损失函数的基础上加入了 SSIM和MSE损失函数,通过对抗训练,促使去噪后的声呐图像更加清晰、真实。（2）在声呐图像超分辨率研究中,在原有SRGAN网络的基础上,论文在其网络结构与损失函数上改善和优化,具体改进方法如下:将生成网络中的残差块结构中的普通卷积层替换成空洞卷积层、删除批量标准化层,减少资源消耗的同时扩大感受野,从而提高网络训练效率;为了解决模型崩溃的问题,通过在判别网络损失函数中添加梯度惩罚项的方法来增加训练的稳定性。论文选取生成对抗网络基于声呐图像的去噪和重建两个方面来对声呐图像增强技术进行研究。在声呐图像去噪工作中,去除噪声后的视觉效果优于其他方法,获得了更高的客观评价指标。对不同强度和类型的噪声进行训练与测试,验证了去噪网络模型具有良好的泛化性。在声呐图像超分辨率工作中,将四个经典图像超分辨率算法与改进的SRGAN算法相比较。实验结果表明改进后的SRGAN网络重建出的声呐图像质量优于其他超分辨率方法的结果,能够恢复更多的声呐图像纹理信息的同时具备良好的视觉感知效果。