近年来,随着世界各国对海洋战略的不断推进,海洋已经成为各个国家获取自然资源的重要渠道。人类要想合理的对海洋资源进行开发利用,就必须充分地了解“水下世界”,而图像可以真实直观地反映海洋的面貌,目前已经被广泛应用于海洋的各个领域。在对海洋资源进行开发时,一般都要搭载人工照明设备,但是光线在水底传输过程中会受吸收和散射效应影响,不同波长的光线在水底的衰减特性也不一样。因此当光源类型发生变化时,同一物体会呈现出不同的颜色特征,这种颜色差异会给海洋资源的开发带来极大的影响。故本文尝试采用机器学习技术构建泛化能力较强的光照校正模型,并用于解决水下图像采集过程中因光源类型发生变化而导致图像颜色产生偏差的问题,将不同光源下的水下图像校正到标准光源下。本论文的主要内容和成果如下:（1）针对水下图像受光源变化影响而导致颜色发生改变的问题,本文提出了一种基于对立学习策略（OBL）改进的鲸鱼算法（WOA）优化支持向量回归（SVR）的颜色校正模型（OBL-IWOA-SVR）。首先采用对立学习策略扩大种群的分布范围,增强鲸鱼种群的多样性,为鲸鱼算法生成更加合适的初始群体,从而提高算法的求解速度与求解精度;然后在算法位置更新过程中引入自适应权重和基于余弦规律的非线性变动因子,解决了算法全局勘探与局部寻优之间的矛盾,进一步提高模型的颜色校正精度;最后通过改进的鲸鱼算法迭代寻找支持向量回归中惩罚因子和核函数两个参数的最佳组合,从而形成泛化能力强且鲁棒性能好的OBL-IWOA-SVR光照校正模型。通过实验结果得出,本文所提算法OBL-IWOA-SVR的平均校正准确率为0.9347,在所有算法模型中最佳,能有效提高颜色校正的准确性。（2）针对传统极限学习机预测精度低的问题,本文提出了一种基于哈里斯鹰算法（HHO）与多元宇宙优化算法（MVO）组合改进的樽海鞘算法（SSA）来优化极限学习机（ELM）的颜色校正模型（MSSA-ELM）。首先采用哈里斯鹰算法来生成质量更高的初始种群,提高模型的预测准确率;其次,采用多元宇宙优化算法对樽海鞘追随者的位置更新进行改进,防止算法收敛于局部区域最优,以此来提高算法模型的性能;最后通过迭代寻找ELM隐含层偏置和输入权值的最佳参数组合,构建具有较好稳定性和泛化能力的MSSA-ELM模型。通过大量实验验证,本文提出的MSSA光照估计模型比其余八种算法具有更好的预测精度和稳定性。