1. 水下光谱成像技术
光谱成像技术是一类将成像技术与光谱技术结合的多维信息获取技术，通过成像光谱仪在电磁波谱的可见光、近红外和红外等波段区域获取研究对象的多个二维空间图像信息和一维光谱信息，构成三维数据立方体，经过处理能够获得目标物的空间、辐射、光谱信息。与几何成像仪相比，光谱成像仪在获得目标形态图像的同时，还能够得到空间可分辨单元的光谱特征。
光谱技术分为多光谱技术（Multispectral，MS）和高光谱技术（Hyperspectral，HS）；其中多光谱技术在电磁波谱的紫外、可见光和近红外部分使用10~20 个波段，光谱分辨率大于5 nm。高光谱基于相同原理，使用数百个波段，比多光谱有更高的光谱分辨率，可提供具有1 nm 光谱分辨率的波长。虽然多光谱技术的光谱分辨率不如高光谱技术，但多光谱技术有更高的空间分辨率。
2017 年，CHENNU A 等开发了一种潜水员可操作的水下高光谱成像探测系统（HyperDiver）（图26），使用彩色相机替换了原有的灰度相机，用于获取海底生物及地形剖面的高分辨率的彩色和高光谱图像。
浙江大学魏贺等研制了一套基于轮转滤光片的水下光谱成像系统，将31 个半高全宽为10 nm 的窄带滤光片安装在两个滤光轮上，两个滤光轮独立运行，成像时，将不同滤光片切换到成像光路上，以实现不同波段的光谱图像，如图29（a）所示。通过使用基于色彩恢复的多尺度Retinex 图像增强算法对获取的不同窄带波段的图像进行增强，最后进行彩色合成并计算信息熵，结果如图29（b）所示，与空气中的图像对比结果表明，该方法可以明显提高水下图像的色彩还原效果。
光谱成像获取的数据立方体可通过与目标物体的先验光谱信息进行匹配，对水下物体进行识别，或通过水体吸收、散射等光谱分辨特性变化对水体进行建模，探测成像距离。光谱成像获取研究对象二维空间图像信息和一维光谱信息，并依此来获得目标物的空间、辐射、光谱特性，对目标进行识别分类等。
然而，要实现目标物的精确定位和分类识别，仍需要清晰的水下图像，一般采用图像融合方法，将获取的具有高空间分辨率的多光谱图像（High-Resolution Multispectral，HRMS）和具有低空间分辨率的高光谱图像（Low-Resolution Hyperspectral，LRHS）进行融合，获得既具有高光谱分辨率又具有高空间分辨率的图像。
基于深度学习的融合方法利用神经网络在非线性关系表示和高层次图像特征提取的优势，来简化图像融合过程，如CNN 无需单独的图像变换和融合规则即可进行图像融合。
2. 水下压缩感知成像技术
与传统的需要采样率大于两倍信号带宽的奈奎斯特采样定理不同，压缩感知理论采样速率仅由信息的结构和内容来决定，并且可在远低于奈奎斯特采样率的情况下，将信号的采样过程和压缩过程同步完成，在采样的过程中即完成信号中所含信息的提取，包括信号的稀疏表示，测量矩阵构造和信号重构算法三个部分。
在压缩感知的应用层面，最受关注的是基于该理论的而研制的单像素成像系统（Single-PixelImaging，SPI），不同于使用数百万个像素传感器的CCD 或CMOS 像素化传感器相机，该成像系统仅使用一个光子探测器对图像进行少于像素点的测量，并恢复出原始图像。2008 年，美国莱斯大学开发出世界上第一台单像素相机。
SPI 系统中，核心元件是用于调制图像的空间光调制器数字微镜阵列（DMD），不同的调制图像影响着单像素成像的质量和效率。
早期SPI 使用随机图案对照明光场进行强度调制，并将其与单像素相机获取的探测值进行相关运算，重建出物体图像。但这种方式需要进行远多于重建图像像素数的采样次数，才可恢复出质量较好的图像，若采样次数较少，则恢复的图像质量较差。近年来提出了确定掩膜的单像素成像技术，可解决恢复图像质量差的问题，如离散余弦变换单像素成像、小波变换单像素成像、Hadamard 单像素成像（Hadamard Single-PixelImaging，HSI）和傅里叶单像素成像（Fourier Single-PixelImaging，FSI），它们均采用完备的正交变换基底图案进行空间光调制，可以很好地恢复物体图像。
对比了CSSI，HSI 及FSI 在浑浊水体下的成像效果，结果表明HSI 在高混浊水体的分辨率和抗干扰能力方面优于其他SPI 模式，最高可在90NTU 的情况下清晰观测水下物体。
FSI 基于傅里叶分析理论，利用傅里叶基底图案调制空间光场，根据单像素探测器获取的光强值计算出物体图像的傅里叶变换谱，最后通过逆傅里叶变换重构出物体图像。FSI 在成像中有较多应用，但水下单像素傅里叶成像尚未得到深入研究，水体散射效应对水下FSI 成像质量的影响也较为缺乏。针对水体前向散射导致传统SPI 散斑图分布产生畸变的问题，提出基于水退化函数补偿的水下FSI 系统，该系统根据测量到的目标空间谱位置设计正弦结构图，并将其作为散斑图照射目标，根据系统接收的的空间频谱，拟合水降解函数，反求目标的真实空间频谱分布，最后利用傅里叶反变换，重构出目标的图 。水下FSI 相对传统FSI 有更好的抗水体正向散射能力和较高的空间分辨率
FSI 有较高的成像质量和成像效率，但FSI 在重建图像时通常采用从低频到高频的采集策略，容易出现高频细节丢失，图像含有振铃伪影（RingArtifact）等问题。此外SPI 存在测量时间与重建图像质量之间的权衡问题，为了获得完美重建需要重建图像像素1.5~2 倍的测量次数，花费较多测量时间，若通过欠采样的方式重建图像，会导致图像模糊和环形伪影，针对这些问题，传统方法要做出实质性改进较为困难。
国防科技大学胡等人针对FSI 丢失高频细节的问题，提出基于Wasserstein 生成对抗网络（WGAN）和梯度惩罚（GP）的快速图像重建网络（GAN-FSI），在生成对抗网络的基础上，连接额外的生成器以提高重建图像的保真度，在低采样率的情况下，GAN-FSI 仍能很好地恢复图像，并保有相当细节。目前主流方法多采用深度学习直接对一维SPI 强度信号进行解析，重建图像。但该方法从一维信号重建二维图像是线性过程，采用神经网络容易出现过拟合现象，且神经网络存在的适应性和鲁棒性问题也会对最终结果造成较大影响，此外深度学习方法还存在需要大量数据集，训练时间长的问题。
