随着深度学习方法及其目标检测方法的飞速发展,它们的应用范围越来越大,特别是在水下目标检测、海洋环境探索、水底生态保护、渔业养殖辅助等方面正在发挥着越来越重要的作用。但是,由于水下环境比起陆地上的环境要复杂很多,光在水中传输时又会受到水的吸收、反射和散射等影响而发生严重的衰减,因此采集到的水下图像难免会出现可见范围有限、模糊不清、色彩不协调及噪声等各种问题。另外一方面,由于水下生物数量和种类繁多,部分水下生物的体积较小,所以在水下目标检测过程中极为容易出现遗漏或误判。因此,把深度学习方法及其目标检测方法应用到水下环境的目标检测和探索是十分有必要。本文针对上述的问题,采用深度学习方法对目标检测算法进行深入的研究和改进,使其在水下环境探测任务中有更优良的性能。本文的主要研究内容包括以下几个方面:（1）提出了一种基于改进Faster RCNN的两阶段水下目标检测方法。将Faster RCNN（Regions With CNN Features）的特征提取模块由原来的VGG16替换成Res2Net101,其结构能增强网络层感受野的表达能力。引入OHEM（Online Hard Example Mining）算法来解决候选先验框的正负样本的不均衡问题。最后使用GIOU（Generalized Intersection Over Union）和Soft-NMS（Soft Non-Maximum Suppression）对先验框的机制进行优化。（2）提出了一种基于改进YOLOV4的单阶段水下目标检测方法。首先通过相关的聚类算法对数据集中的先验框进行聚类,选出训练模型先验框的初始值。对主干网络加以完善,添加深度可分离卷积,提高网络的特征提取能力;接着将注意力机制模块Eca-Net添加到SPP（Spatial Pyramid Pooling）模块当中,通过适当的跨信道交互,显著地减少模型复杂性,以提升其效能。然后为了提高模型对小目标的检测性能,增加了一个预测层;最后改进训练策略,使用多尺度训练策略,使得改进后算法模型有更好的鲁棒性。（3）为了检验和验证及完善和提高上述算法的性能,本文在上述改进算法的基础上,研究和开发及实现了一款智能单阶段水下目标检测系统。该系统包含Web端后台管理平台和智能水下目标检测管理平台。两个平台相互协作,以完成水下图像目标检测、对图中生物数量的统计、查看历史数据、系统监控等各项功能和任务。