1.一种基于改进SSD和迁移学习的水下目标检测方法，其特征在于：包括以下步骤：步骤1、准备阶段：运用计算机读取深水中条件下拍摄的水下图像，利用水下背景图片与水上目标场景图像进行融合处理，获取更多水下图像；

步骤2、图像的预处理和基于滤波器去除噪声阶段：通过将水下图像输入计算机，运用两种算法得到对原图两种不同程度的增强的结果，然后选择好一个融合系数的计算公式，再进行拉普拉斯金字塔融合；然后采用滤波自适应方法进行平滑处理，以获得无噪声和纹理完整图像；

步骤3、基于骨干网的特征提取阶段：确定骨干网络结构，并根据骨干网络提取水下图像的关键点信息；然后，构建适合水下目标检测的较精确的SSD网络Underwater-SSD，从检测网络中提取具有很高代表性的特征，将无噪声和纹理完整图像应用于水下SSD网络中；

步骤4、基于迁移学习的网络模型训练阶段：利用迁移学习方法训练Underwater-SSD网络，仅使用空气中的标签识别水下物体；

步骤5、基于软化非极大值抑制算法soft-NMS目标检测阶段：在迁移学习训练后的模型后加入软化非极大值抑制算法，实现最终的目标检测结果输出，将测试数据集输入到已训练的模型进行测试。

2.根据权利要求1所述的基于改进SSD和迁移学习的水下目标检测方法，其特征在于：步骤1包括如下步骤：

步骤101、数据集的获取，选择用水下图像采集终端获得深水条件下拍摄的水下图像；

步骤102、利用水下背景图片与水上目标场景图像进行融合，扩增数据集；

步骤103、将获取的数据集进行分类，划分为训练集、验证集及测试集；

步骤104、读取预训练模型，并读入水下图像目录。

3.根据权利要求1或2所述的基于改进SSD和迁移学习的水下目标检测方法，其特征在于：步骤2包括如下步骤：

同一幅图像复制两份，一份选用白平衡的结果，记为I1，作为融合的对象1，用对I1进行双边滤波+限制对比度自适应直方图均衡CALHE算法处理的结果，记为I2，作为融合的对象

2。然后运用权重系数进行相应的融合，最后进行拉普拉斯融合，然后针对融合后的图像采用BM3D滤波器与结构滤波器自适应方法进行平滑处理，进行去除图像中的噪声。

4.根据权利要求3所述的基于改进SSD和迁移学习的水下目标检测方法，其特征在于：步骤3包括如下步骤：

骨干网络为VGG16，提取的水下图像特征送入多尺度预测与融合模型中，先针对不同尺度网络进行卷积、池化等操作，获得不同尺度特征信息，再通过多个层卷积层特征融合，得到更多的特征点信息，得到多尺度特征信息。

5.根据权利要求4所述的基于改进SSD和迁移学习的水下目标检测方法，其特征在于：步骤4包括如下步骤：

利用迁移学习方法训练Underwater-SSD网络，使用空气中的标签识别水下物体，在迁移学习训练后的模型后加入软化非极大值抑制算法，获得最终的目标检测结果，并将测试水下图像输入到已训练的模型进行检测。

6.根据权利要求5所述的基于改进SSD和迁移学习的水下目标检测方法，其特征在于：步骤2中，融合增强算法步骤如下所示：

(1)将输入图像复制成2份:src1和src2；

(2)对src1做自动白平衡；

(3)对src2做双边滤波去噪，多帧的话，不做配准，直接使用NLM思想时间空间域块去噪；

(4)对去噪后的src2做局域直方图增强，改善颜色和对比度，得到src3；

(5)对src1和src3使用显著图算法和LPLS滤波，计算得到融合权重图W；

(6)对src1和src3根据权重图W，进行多尺度融合，得到结果图像。

7.根据权利要求6所述的基于改进SSD和迁移学习的水下目标检测方法，其特征在于：步骤2中，使用BM3D滤波器对图像进行平滑处理可获得图像基层，有效地衰减AWGN；利用噪声纹理水平系数λ作为权重来生成基层，fine coarse

b(L)＝λ·b (L)+(1-λ)·b (L)

式中，bfine(L)和bcoarse(L)分别表示BM3D滤波器的平滑结果，使用比微光图像I的局部标准偏差δi平均值小一半和大两倍的参数。

8.根据权利要求7所述的基于改进SSD和迁移学习的水下目标检测方法，其特征在于：以VGG16结构作为骨干网络进行对水下目标特征的提取，VGG16由13个卷积层和3个全连接层，共有16层构成，经过的卷积核大小为3*3*3，stride＝1，padding＝1，pooling为采用2x2的max pooling方式；根据所述骨干网络VGG16得到提取水下图像的特征信息，以获得水下图像特征，将获取水下特征后的特征向量发送到Concat特征融合连接模块与特征融合模块；然后将提取的水下图像特征送入水下SSD网络模型中的Concat特征融合连接模块与特征融合模块，先针对Concat特征融合连接模块进行卷积、池化操作，提取特征，再同时运用特征融合模块融合不同尺度的特征信息，获得到不同尺度特征信息后进行多层预测。

9.根据权利要求8所述的基于改进SSD和迁移学习的水下目标检测方法，其特征在于：步骤5中，采用软化非极大值抑制算法soft-NMS，其公式表示如下：其中bi是初始化检测框，Si是相应的检测得分，Nt是NMS阈值，M表示含有的最大得分，D表示最终的检测框集合。