1. 水下光譜成像技術
光譜成像技術是一類將成像技術與光譜技術結合的多維信息獲取技術，通過成像光譜儀在電磁波譜的可見光、近紅外和紅外等波段區域獲取研究對象的多個二維空間圖像信息和一維光譜信息，構成三維數據立方體，經過處理能夠獲得目標物的空間、輻射、光譜信息。與幾何成像儀相比，光譜成像儀在獲得目標形態圖像的同時，還能夠得到空間可分辨單元的光譜特徵。
光譜技術分為多光譜技術（Multispectral，MS）和高光譜技術（Hyperspectral，HS）；其中多光譜技術在電磁波譜的紫外、可見光和近紅外部分使用10~20 個波段，光譜解析度大於5 nm。高光譜基於相同原理，使用數百個波段，比多光譜有更高的光譜解析度，可提供具有1 nm 光譜解析度的波長。雖然多光譜技術的光譜解析度不如高光譜技術，但多光譜技術有更高的空間解析度。
2017 年，CHENNU A 等開發了一種潛水員可操作的水下高光譜成像探測系統（HyperDiver）（圖26），使用彩色相機替換了原有的灰度相機，用於獲取海底生物及地形剖面的高解析度的彩色和高光譜圖像。
浙江大學魏賀等研製了一套基於輪轉濾光片的水下光譜成像系統，將31 個半高全寬為10 nm 的窄帶濾光片安裝在兩個濾光輪上，兩個濾光輪獨立運行，成像時，將不同濾光片切換到成像光路上，以實現不同波段的光譜圖像，如圖29（a）所示。通過使用基於色彩恢復的多尺度Retinex 圖像增強演算法對獲取的不同窄帶波段的圖像進行增強，最後進行彩色合成並計算信息熵，結果如圖29（b）所示，與空氣中的圖像對比結果表明，該方法可以明顯提高水下圖像的色彩還原效果。
光譜成像獲取的數據立方體可通過與目標物體的先驗光譜信息進行匹配，對水下物體進行識別，或通過水體吸收、散射等光譜分辨特性變化對水體進行建模，探測成像距離。光譜成像獲取研究對象二維空間圖像信息和一維光譜信息，並依此來獲得目標物的空間、輻射、光譜特性，對目標進行識別分類等。
然而，要實現目標物的精確定位和分類識別，仍需要清晰的水下圖像，一般採用圖像融合方法，將獲取的具有高空間解析度的多光譜圖像（High-Resolution Multispectral，HRMS）和具有低空間解析度的高光譜圖像（Low-Resolution Hyperspectral，LRHS）進行融合，獲得既具有高光譜解析度又具有高空間解析度的圖像。
基於深度學習的融合方法利用神經網路在非線性關係表示和高層次圖像特徵提取的優勢，來簡化圖像融合過程，如CNN 無需單獨的圖像變換和融合規則即可進行圖像融合。
2. 水下壓縮感知成像技術
與傳統的需要採樣率大於兩倍信號帶寬的奈奎斯特採樣定理不同，壓縮感知理論採樣速率僅由信息的結構和內容來決定，並且可在遠低於奈奎斯特採樣率的情況下，將信號的採樣過程和壓縮過程同步完成，在採樣的過程中即完成信號中所含信息的提取，包括信號的稀疏表示，測量矩陣構造和信號重構演算法三個部分。
在壓縮感知的應用層面，最受關注的是基於該理論的而研製的單像素成像系統（Single-PixelImaging，SPI），不同於使用數百萬個像素感測器的CCD 或CMOS 像素化感測器相機，該成像系統僅使用一個光子探測器對圖像進行少於像素點的測量，並恢復出原始圖像。2008 年，美國萊斯大學開發出世界上第一台單像素相機。
SPI 系統中，核心元件是用於調製圖像的空間光調製器數字微鏡陣列（DMD），不同的調製圖像影響著單像素成像的質量和效率。
早期SPI 使用隨機圖案對照明光場進行強度調製，並將其與單像素相機獲取的探測值進行相關運算，重建出物體圖像。但這種方式需要進行遠多於重建圖像像素數的採樣次數，才可恢復出質量較好的圖像，若採樣次數較少，則恢復的圖像質量較差。近年來提出了確定掩膜的單像素成像技術，可解決恢復圖像質量差的問題，如離散餘弦變換單像素成像、小波變換單像素成像、Hadamard 單像素成像（Hadamard Single-PixelImaging，HSI）和傅里葉單像素成像（Fourier Single-PixelImaging，FSI），它們均採用完備的正交變換基底圖案進行空間光調製，可以很好地恢復物體圖像。
對比了CSSI，HSI 及FSI 在渾濁水體下的成像效果，結果表明HSI 在高混濁水體的解析度和抗干擾能力方面優於其他SPI 模式，最高可在90NTU 的情況下清晰觀測水下物體。
FSI 基於傅里葉分析理論，利用傅里葉基底圖案調製空間光場，根據單像素探測器獲取的光強值計算出物體圖像的傅里葉變換譜，最後通過逆傅里葉變換重構出物體圖像。FSI 在成像中有較多應用，但水下單像素傅里葉成像尚未得到深入研究，水體散射效應對水下FSI 成像質量的影響也較為缺乏。針對水體前向散射導致傳統SPI 散斑圖分布產生畸變的問題，提出基於水退化函數補償的水下FSI 系統，該系統根據測量到的目標空間譜位置設計正弦結構圖，並將其作為散斑圖照射目標，根據系統接收的的空間頻譜，擬合水降解函數，反求目標的真實空間頻譜分布，最後利用傅里葉反變換，重構出目標的圖 。水下FSI 相對傳統FSI 有更好的抗水體正向散射能力和較高的空間解析度
FSI 有較高的成像質量和成像效率，但FSI 在重建圖像時通常採用從低頻到高頻的採集策略，容易出現高頻細節丟失，圖像含有振鈴偽影（RingArtifact）等問題。此外SPI 存在測量時間與重建圖像質量之間的權衡問題，為了獲得完美重建需要重建圖像像素1.5~2 倍的測量次數，花費較多測量時間，若通過欠採樣的方式重建圖像，會導致圖像模糊和環形偽影，針對這些問題，傳統方法要做出實質性改進較為困難。
國防科技大學胡等人針對FSI 丟失高頻細節的問題，提出基於Wasserstein 生成對抗網路（WGAN）和梯度懲罰（GP）的快速圖像重建網路（GAN-FSI），在生成對抗網路的基礎上，連接額外的生成器以提高重建圖像的保真度，在低採樣率的情況下，GAN-FSI 仍能很好地恢復圖像，並保有相當細節。目前主流方法多採用深度學習直接對一維SPI 強度信號進行解析，重建圖像。但該方法從一維信號重建二維圖像是線性過程，採用神經網路容易出現過擬合現象，且神經網路存在的適應性和魯棒性問題也會對最終結果造成較大影響，此外深度學習方法還存在需要大量數據集，訓練時間長的問題。
