La interferencia de ruido en las imágenes de sonar de barrido lateral es más fuerte que la de las imágenes ópticas, y el nivel de gris es desigual. Para resolver este problema, proponemos un método de mejora de imagen de sonar de barrido lateral basado en la fusión de imagen de reparación de múltiples etapas. En primer lugar, para eliminar el ruido ambiental en la imagen de sonar, realizamos un suavizado gaussiano adaptativo en la imagen original y la imagen de escala de grises promedio ponderado. Luego, las imágenes suavizadas son procesadas a través de una reparación de imagen de múltiples etapas. La red de reparación de múltiples etapas consta de tres etapas. Las dos primeras etapas consisten en una arquitectura novedosa de codificador-decodificador para extraer características contextuales de múltiples escalas, y la tercera etapa utiliza una red basada en la resolución de las entradas originales para generar salidas espacialmente precisas. Cada fase no es una simple pila. Entre cada fase, el módulo de atención supervisado (SAM) mejora los resultados de reparación de la fase anterior y los pasa a la siguiente fase. Al mismo tiempo, se utiliza el mecanismo de fusión de características interescalares de múltiples escalas (MCFF) para completar la información perdida en el proceso de reparación. Finalmente, para corregir el nivel de gris, proponemos un método de fusión ponderada de píxeles basado en el método de corrección de color no supervisado (UCM), que realiza una fusión ponderada de píxeles entre la imagen RGB procesada por el algoritmo UCM y la imagen de nivel de gris. En comparación con el algoritmo con los métodos SOTA en conjuntos de datos, nuestro método muestra que el pico de relación señal-ruido (PSNR) aumenta en un 26,58%, la similitud estructural (SSIM) aumenta en un 0,68%, y el error cuadrático medio (MSE) disminuye en un 65,02% en promedio. Además, la imagen procesada está equilibrada en términos de cromaticidad de imagen, contraste de imagen y saturación, y la escala de grises está equilibrada para que coincida con la percepción visual humana.