水下光学成像技术是获取海洋信息的重要手段,被广泛应用于勘探和开发海洋中的各种资源、监测和保护海洋环境、地形勘测、巡航制导以及海洋军事和国防建设等重要领域。但水体对光线有着严重的散射与吸收作用,水下光学图像通常呈现出颜色衰减、对比度不足、细节损失、雾化模糊以及低照度等问题,对进一步通过计算机视觉分析和处理水下图像造成了很多阻碍。因此,采用水下图像处理方法与技术对图像进行修复,以满足后续图像分析等任务显得极其重要。本文围绕水下光学图像质量感知和处理两个方向展开研究,结合传统算法与深度学习算法对拥有不同退化类型的水下图像分别进行清晰化处理,从而还原更真实有效的水下场景信息。为了在前端采集到更高质量的图像素材,首先提出了基于视觉显著性的水下图像构图质量感知算法,指导水下航行器获取良好构图场景。然后提出了基于视觉显著性的水下图像通用质量感知算法（VS-UIQA）,度量图像的整体质量。其中包含三个水下图像度量指标:基于曝光类型的亮度对比度指标（ET-UIConA）,基于视觉显著性的色差指标（VS-UICA）,以及基于视觉显著性的清晰度指标（VS-UISA）。每一个指标可以单独评估水下图像相应劣化问题的退化程度。最后对拥有不同退化特征的水下图像进行统计学分析,为后续指导水下图像清晰化提供理论基础。与其他算法相比,本文算法更加符合人类视觉系统的规律。针对水下光学图像存在的颜色衰减问题,根据不同退化图像的颜色统计信息,对不同退化问题采用相应的颜色补偿方法,并进行基于颜色恒常理论的白平衡处理,实现水下光学图像颜色矫正。本文算法能够处理浑浊、蓝绿色偏与低照度等多种水下退化问题。针对水下光学图像中因为散射产生的雾化模糊问题,本文基于双图像小波融合驱动生成对抗网络提出了水下图像清晰化算法（DIWF-GAN）,并利用水下图像质量感知指标指导不同退化图像实现清晰化。最后给出本文算法在水下仿真图像、水下色卡图像和水下真实图像数据集上的清晰化结果。本文算法能够对多种退化图像实现低照度增强、颜色校正以及清晰化等功能。