目的由于光在水中的衰减/散射以及微生物对光的吸收/反射，水下图像通常存在颜色偏差、模糊、光照不均匀和对比度低等质量问题。研究人员提出了许多不同的水下图像增强算法。为了探索现有水下图像增强算法的性能，以及图像质量的客观评价方法是否适合评价水下图像，本文进行了大规模的主观实验，比较了不同水下图像增强算法在真实水下图像数据集上的性能，并对现有的水下图像质量评价方法的准确性进行了测试。方法　构建了一个真正的水下图像数据集，包括100幅原始水下图像和对应的1　000幅图像，通过10种主流水下图像增强方法进行增强。基于成对比较策略对水下图像进行主观质量评价，并对主观评价结果进行进一步分析，包括一致性分析、收敛性分析和显著性检验。最后，在本文的数据集上对现有的10种主流非参考图像质量评价进行了测试，以测试它们在真实水下图像数据集上的评价性能。结果在一致性分析中，数据集中的主观得分具有较高的Kendall一致性系数，为0.41。在收敛性的分析中，收集的选票和图像数量足以获得稳定的主观得分。结果表明，本文构建的数据集模型具有良好的有效性和可靠性。此外，目前比较自然图像的非参考图像质量评价方法不适用于水下图像，这验证了水下图像与自然图像的巨大差异。结论本文构建的真实水下图像数据集为今后水下图像质量的客观评价方法和水下图像增强算法的研究提供了参考和支持。所涉及的图像和收集的所有用户数据都发布在项目主页上（HTTPS://GitHub．　COM/yia-Yuese/real-uwiq-dataset）。