Die Segmentierung von Objektinstanzen in Unterwasserbildern stellt einen grundlegenden und entscheidenden Schritt in der Analyse und Interpretation von Unterwasserbildern dar. Allerdings hat die Knappheit an allgemeinen, multiklassigen Datensätzen für die Segmentierung von Objektinstanzen die Entwicklung von Forschungsarbeiten auf diesem Gebiet erheblich beeinträchtigt. In diesem Artikel präsentieren wir erstmals den Unterwasser-Bild-Instanzsegmentierungs-Datensatz (UIIS), der 4628 Bilder für sieben Kategorien mit pixelgenauen Annotationen bereitstellt. Gleichzeitig führen wir erstmals WaterMask für die Segmentierung von Objektinstanzen in Unterwasserbildern ein. In WaterMask entwickeln wir zunächst den Difference Similarity Graph Attention Module (DSGAT), um verlorene detailreiche Informationen aufgrund von Bildqualitätsverschlechterung und Downsampling wiederherzustellen, um so die Vorhersageleistung des Netzwerks zu verbessern. Anschließend stellen wir den Multi-level Feature Refinement Module (MFRM) vor, der vorgeschlagene Vordergrundmasken und Randmasken getrennt anhand von Merkmalen auf unterschiedlichen Skalen vorhersagt und das Netzwerk durch die Boundary Mask Strategy (BMS) mit einer Randlernverlustfunktion führt, um präzisere Ergebnisse zu erzielen. Umfangreiche experimentelle Ergebnisse zeigen, dass WaterMask im Vergleich zu Mask R-CNN bei Verwendung von ResNet-50 und ResNet-101 signifikante Verbesserungen von jeweils 2,9 bzw. 3,8 mAP erzielt. Der Quellcode und der Datensatz sind unter https://github.com/LiamLian0727/WaterMask verfügbar.