近年来,随着科技的进步,海洋资源的探索变得日益频繁。海洋中蕴含着丰富的矿产资源,可以满足人类对资源的需求。水下图像作为水下环境信息的载体,是人类认识海洋和探索海洋的重要工具。然而由于水下环境对光的吸收和散射效应,真实水下场景中拍摄的图像往往会出现图像模糊和颜色失真的现象。这对水下成像设备带来了巨大的挑战,也限制了水下视觉任务的进展。目前大部分水下图像增强方法的效果不甚理想,增强的结果中存在雾度残留、细节模糊和色彩不自然的现象。针对此问题,本文围绕水下图像成像的特点,采用深度学习的方法,提出一种新的基于生成对抗网络（Generative Adversarial Network,GAN）的水下图像增强方法。主要内容及创新点如下:（1）本文提出一个端到端的生成器,生成器的设计基于U-Net编解码结构。针对水下图像在不同颜色通道中的信息含量不同,且在不同像素位置上的模糊程度不同的问题,本文结合通道注意力机制、像素注意力机制和残差网络提出特征注意力残差（Feature Attention Residual,FAR）模块,使网络自适应提取重要特征,着重关注水下图像的模糊严重区域以及信息含量较少的红色通道。为了更好的融合多级别特征,本文提出自适应密集特征融合（Adaptive Dense Feature Fusion,ADFF）模块,该模块能够自适应学习不同级别特征的空间重要性权重,从而促使网络从以前和现在的特征中学习更有效的特征进行融合。为了对所提取的特征进行重塑细化,本文提出SOS（Strengthen Operate Subtract）模块,该模块通过结合SOS Boosting策略实现对图像特征的逐步细化。与其他仅使用U-Net作为生成器的方法不同,本文在生成器中使用FAR模块进行特征提取,使用ADFF模块进行特征融合,使用SOS模块进行特征细化,以此提高生成器的学习能力。（2）本文判别器的设计基于马尔可夫判别器（Patch GAN）。不同于其他使用Patch GAN作为判别器的方法,为了使判别器更好的监督生成器的学习,本文在判别器中设计了多尺度特征（Multi-scale Feature,MF）模块。该模块可以汇集具有不同感受野的多尺度特征,使判别器利用全局语义和局部细节级别的特征信息进行更准确的判别,并引导生成器生成更加细致的清晰图像。（3）本文构建了有利于GAN训练的新损失函数。为了稳定GAN的训练,本文将CGAN（Conditional GAN）和WGAN-GP（Wasserstein GAN with Gradient Penalty）的对抗损失相融合,并引入组合损失作为本文方法的总损失函数。新的损失函数能够稳定网络的训练,更好的约束网络模型,促使网络得到高质量清晰图像。实验结果表明,本文方法能够有效的解决水下图像的雾化模糊和色偏问题,并生成视觉效果清晰的水下图像。同时,与其他几种水下图像增强方法相比,本文方法在定性和定量对比中均取得了最佳性能。其中,在合成数据集上,相比于最新的深度学习水下图像增强方法UIE-DAL,本文方法的结构相似性（Structural Similarity,SSIM）指标提升了6.7%,峰值信噪比（Peak-Signal to Noise Ratio,PSNR）指标提升了37.8%。