视频观测数据是人类认知深海世界极为重要的途径之一，因此摄像系统已经成为深海装备的一种基本配置。受制于能源等因素，有关深海的视频观测数据十分有限，加之深海环境的复杂性，获取的视频图像质量也层次不齐。随着深海科学研究的不断深入，对于长期的原位视频观测需求越发迫切，能够为深海生命过程、生态演化等科学问题的研究提供重要依据。由我国首次提出的深海基站能够携带兆瓦时级能源、长期驻留海底，为实现深海长期原位视频观测提供了平台条件。

由于深海黑暗无光，环境照明完全依赖于深海装备上配置的人造光源，因此光源的配置和调节决定了视频成像的效果。深海基站是一种无人装备，为提高视频观测的质量和效率，一方面需要基站能够自主调整照明以提高成像质量，同时也需要通过照明调节以最低功耗达到预期成像效果。针对这一需求，本文开展了相关技术研究，提出了一种基于机器学习的深海智能照明控制方法，具体包括以下几方面研究内容。

首先，为有效评价深海视频图像的成像质量，提出一种将自然场景统计特性与人眼视觉特性相结合的深海无参考图像质量评价方法（Deep-sea Blind Image Quality Assessment，DSBIQA）。利用自然场景统计特性所提取的特征组，可以表征深海图像亮度在局部和全局两个角度的分布特点；而利用人眼视觉特性所提取的特征组，则很好考虑了人眼在评估视觉图像信号时所呈现的感知特点，如结构信息、对比度信息、频率信息等。由于两种特征组在不同照明条件图像之间均明显可分，因此本文提出利用机器学习中的支持向量机回归方法，来构建图像质量评价的数值回归模型。

其次，因使用主流图像数据集训练得到的模型在对深海图像评价时出现较大偏差，为向深海图像质量评价方法DSBIQA提供训练样本，并为后续的优化控制提供虚拟训练环境，本文构建了深海图像数据集（Deep-sea Image Dataset, DSI-Dataset）。此数据集主要包括两类样本：一类是通过深海装备实际获取的深海原始图像，另一类是在原始图像基础上叠加不同照明效果的合成图像。基于DSI-Dataset，本文完成了深海图像质量评价方法DSBIQA的训练，并利用此数据集的测试集部分以及深海基站获取的实际深海图像，对该评价方法进行了测试。测试结果验证了DSBIQA方法对不同照明条件下图像质量评价的有效性。

为实现深海照明的智能控制，本文提出了一种综合图像质量和能耗两个优化目标的智能照明控制方法。基于深度强化学习理论，设计了以图像质量评价指数和能耗指数所构成的奖励函数来引导深度强化学习照明调节（Deep Reinforcement Learning Lighting Adjustment, DRL_LA）控制代理在训练过程中获取综合优化的能力，其中，图像质量评价指数是通过DSBIQA方法对获取的深海视频图像质量进行评估得到的数值分数，而能耗指数是指当前系统用于照明所消耗的能源情况。该方法在输入深海图像训练的同时，在DSBIQA的引导下，能够具备在深海环境下照明控制能力，且用于构成控制代理的轻量化卷积神经网络易部署于有限计算资源的深海装备。

最后，基于深海图像数据集DSI-Dataset所构建的虚拟交互环境，完成对深度强化学习控制代理DRL_LA的训练和在虚拟交互环境下的控制效果验证。并进一步利用“沧海”号着陆器的灯阵系统与相机，在水池环境下，完成深度强化学习控制代理DRL_LA对于实物环境的照明控制效果验证。仿真交互环境试验和水池试验结果均达到了预想的控制效果。

本文针对基于机器学习的深海智能照明技术展开相关研究与试验验证，结果表明所提出的深海图像质量评价方法和自主照明控制是有效的，为后续实际工程化提供了理论支撑。此外，本文也初步探索了智能技术在深海装备上的应用，为未来深海智能技术发展提供了一定的借鉴意义。