图像是人类获取与感知外界信息的主要途径,水下观测系统也以图像作为主要载体。光在水环境传播时会面临严重的吸收和散射效应,导致水下的图像细节模糊、对比度低等问题。尤其是,当成像光路存在热源或目标自身为发热源时,成像光场折射率的非均匀性使得水下图像会进一步发生扭曲失真、离焦模糊,严重降低成像质量。因此,提升热干扰环境水下光学成像质量,复原降质图像,具有重要的现实意义。随着深度学习的发展及应用,利用深度学习实现水下热干扰图像复原已经成为可能。基于此,本文采用基于生成对抗网络的方法对水下热干扰图像进行复原处理,通过自主搭建水下热干扰成像平台,构建热干扰图像数据集,剖析水下热成像规律,设计深度学习复原网络,有效改善了热干扰环境下水下光学成像的图像失真问题。本文主要的研究内容包括以下几部分:（1）自主设计并搭建了水下热干扰光学成像实验平台,构建水下热干扰图像数据集。从图像灰度分布、相似性、清晰度等三个方面对水下热干扰图像进行分析,阐明水下热干扰对图像的具体影响,为基于深度学习方法的热干扰图像复原奠定基础。（2）提出一种基于改进U-net结构的生成对抗网络水下热干扰图像复原算法（MBU-GAN）。基于U-net结构,通过在其收缩路径及扩展路径中使用多残差连接卷积（Multi Res block）作为多尺度信息的提取模块,直接求解水下热干扰图像与标准图像之间的非线性映射关系,最大化提取不同尺度下的图像特征信息,实现了水下热干扰图像的复原。该算法在水下热干扰图像验证集上的峰值信噪比（Peak Signal-to-noise Ratio,PSNR）与结构相似性（Structural Similarity,SSIM）分别达到了20.14和0.6763,初步验证了基于深度学习进行水下热干扰图像复原的有效性。（3）针对上述MBU-GAN算法复原扭曲矫正效果不理想的问题,以MBU-GAN算法为基础,进一步改进损失函数,引入注意力机制,在收缩路径与扩展路径的跳跃连接处使用瓶颈关注模块（Bottleneck Attention Module,BAM）,提出了一种基于Bottleneck Attention的图像高精度复原算法（MBUA-GAN）。该方法充分关注图像扭曲信息,凸显复原图像的细节。为了验证该算法的有效性,在水下热干扰图像测试集上进行测试,该算法在峰值信噪比与结构相似性方面分别达到21.28与0.7749,图像细节特征得以清晰恢复,视觉效果有较大提升;利用目标靶块的复原图像进行尺寸测量,结果显示在不同深度下,测量尺寸与实际尺寸的平均测量误差为2.37%,满足测量精度要求。