La mejora de imágenes submarinas es una tarea desafiante debido a las propiedades ópticas únicas del agua, que a menudo provocan distorsión del color, bajo contraste y pérdida de detalles. En la etapa actual, los métodos basados en la CNN tienen el problema de atención global insuficiente, y los métodos basados en Transformer generalmente tienen el problema de complejidad cuadrática. Para abordar este desafío, proponemos una arquitectura de red de doble rama basada en el Mamba en forma de W: UWMambaNet. Nuestro método integra la rama de mejora de contraste de color y la rama de mejora de detalles, y cada rama se dedica a mejorar aspectos específicos de las imágenes submarinas. La rama de mejora de contraste de color utiliza los espacios de color RGB y Lab y utiliza el bloque Mamba para una fusión avanzada de características para mejorar la fidelidad y el contraste de color. La rama de mejora de detalles adopta una estrategia de extracción de características a múltiples escalas para capturar detalles finos y contextuales a través de rutas convolucionales paralelas. El módulo Mamba se agrega a las dos ramas, y se utiliza la modelización del espacio de estados para capturar las dependencias de largo alcance y las relaciones espaciales en los datos de la imagen. Esto permite modelar de manera efectiva las interacciones complejas y los efectos de propagación de la luz inherentes al entorno submarino. Los resultados experimentales muestran que nuestro método mejora significativamente la calidad visual de las imágenes submarinas y es superior a las tecnologías existentes en cuanto a indicadores cuantitativos y efectos de visualización; en comparación con los mejores modelos candidatos en los conjuntos de datos UIEB y EUVP, UWMambaNet mejora UCIQE en un 3.7% y 2.4%, respectivamente.