1.一种基于循环生成对抗网络的水下图像复原方法，其特征在于，包括如下步骤：步骤一：构建CycleGAN‑VGG的结构模型；

CycleGAN‑VGG的体系结构包括两个生成器G、F和两个判别器DX、DY；

CycleGAN‑VGG结构模型中的CycleGAN模型是两个镜像对称的GAN网络，其中X域为失真图像，Y域为清晰图像；

所述生成器G包括编码器、转换器和解码器；

所述编码器是卷积核大小分别为7×7，3×3，3×3的三个卷积块，这些卷积块从输入图像中提取特征，并且压缩为64×64的特征向量；

所述转换器是9个残差块，通过组合图像的不相近特征，将图像在X域中的特征向量转换为Y域中的特征向量；

所述解码器的前两层是卷积核为3×3的反卷积层，利用反卷积层从特征向量中还原出低级特征；最后一层为7×7的卷积层，用于得到生成图像；

所述判别器DY采用Wasserstein GAN的架构，用来判别生成的清晰图像G(x)与真实的清晰图像y；

步骤二：计算损失函数；

步骤2.1、计算对抗损失：所述对抗损失包括生成器损失和判别器损失，生成器损失为： 判别器损失为：上式中，x属于源图像分布，y属于目标图像分布，G为生成器，D为判别器，G(x)是生成器生成的图像，D(G(x))是判别器的判断结果； 为梯度惩罚项，λ为权重系数；

步骤2.2、计算循环一致性损失：

上式中，G(x)为生成图像，F(G(x))为重构的图像；

步骤2.3、计算VGG感知损失：

上式中，是由ImageNet上预先训练好VGG16网络的某个最大池化层前面的卷积层所输出的特征图；

步骤三：训练循环生成对抗网络；

首先由生成器生成的数据训练判别器，判别器判断是真样本还是生成的假样本；然后在此判别器下训练生成器，最小化生成器损失、循环一致性损失和感知损失用以优化生成器网络；然后生成器更新参数并生成新的样本，新的样本再被送到判别器中，根据判别器损失对判别器进行优化；

按照上述步骤依次交替训练判别器和生成器，直到损失函数不再下降则网络训练完成；

网络训练完成后，将失真的水下图像输入到生成器G，生成器的输出即为水下图像复原的结果。