水下鱼类图像分类是一项极具挑战性的任务。传统Vision Transformer （ViT）网络骨干的局限性较大，难以处理局部连续特征，在图像质量较低的鱼类分类中效果表现不佳。为解决此问题，提出一种基于位置编码的重叠切块嵌入（OPE）和多尺度通道交互注意力（MCIA）的Transformer图像分类网络PIFormer （Positional overlapping and Interactive attention transFormer）。PIFormer采用多层级形式构建，每层以不同次数堆叠，利于提取不同深度的特征。首先，引入深度位置编码重叠切块嵌入（POPE）模块对特征图与边缘信息进行重叠切块，以保留鱼体的局部连续特征，并添加位置信息以排序，帮助PIFormer整合细节特征和构建全局映射；其次，提出MCIA模块并行处理局部与全局特征，并建立鱼体不同部位的长距离依赖关系；最后，由分组多层感知机（GMLP）分组处理高层次特征，以提升网络效率，并实现最终的鱼类分类。为验证PIFormer的有效性，提出自建东湖淡水鱼类数据集，并使用公共数据集Fish4Knowledge与NCFM（Nature Conservancy Fisheries Monitoring）以确保实验公平性。实验结果表明，所提网络在各数据集上的Top-1分类准确率分别达到了97.99%、99.71%和90.45%，与同级深度的ViT、Swin Transformer和PVT （Pyramid Vision Transformer）相比，参数量分别减少了72.62×10⁶、14.34×10⁶和11.30×10⁶，浮点运算量（FLOPs）分别节省了14.52×10⁹、2.02×10⁹和1.48×10⁹。可见，PIFormer在较少的计算负荷下，具有较强的鱼类图像分类能力，取得了优越的性能。

由于水体本身的特性以及水中悬浮颗粒对光的吸收和散射作用，水下图像普遍存在信噪比（SNR）低、分辨率低等一系列问题，但大部分方法传统处理方法包含图像增强、复原及重建，都依赖退化模型，并存在算法病态性问题。为进一步提高水下图像恢复算法的效果和效率，提出了一种改进的基于深度卷积神经网络的图像超分辨率重建方法。该方法网络中引入了改良的密集块结构（IDB），能在有效解决深度卷积神经网络梯度弥散问题的同时提高训练速度。该网络对经过配准的退化前后的水下图像进行训练，得到水下低分辨率图像和高分辨率图像之间的一个映射关系。实验结果表明，在基于自建的水下图像作为训练集上，较卷积神经网络的单帧图像超分辨率重建算法（SRCNN），使用引入了改良的密集块结构（IDB）的深度卷积神经网络对水下图像进行重建，重建图像的峰值信噪比（PSNR）提升达到0.38 dB，结构相似度（SSIM）提升达到0.013，能有效地提高水下图像的重建质量。