目前水产养殖行业逐步朝着科技化方向发展,人工养殖的方式劳动成本高且耗时耗力,其局限性迫使人们研究出省时省力的自动驾驶补料车代替人工养殖操作,而自动驾驶小车的安全行车问题是自动驾驶领域研究的热点与难点。本文针对水产养殖环境下道路上障碍物,提出了基于深度学习的障碍物识别算法,改进了YOLOv4算法的结构,使得算法既准确又快速的识别水产养殖道路特定环境下的障碍物。论文的主要工作有以下几个方面:（1）针对本文自主采集的水产养殖道路中障碍物数据集的不足,使用图像处理技术对图像进行数据扩增,主要用到图像平滑处理、图像的几何变换和图像的色彩变换等方法,并分析该数据集的特点以及针对这些特点一般的处理方法。（2）在YOLOv4算法的输入端采用改进的数据增强方法,在原始Mosaic增强方式基础上又融合了Mixup的增强方式,记作Mosaic＆Mixup数据增强。该方法经过实验对比,在平均准确精度方面以及召回率方面有所提升。（3）对主干网络中的卷积进行改进,将常规卷积操作替换为深度可分离卷积操作,通过理论以及实验证明,深度可分离卷积相对于普通卷积,可以使算法模型生成的参数量大大减少,进而提升识别速度。（4）在颈部结构中,为了权衡算法识别速度和精度,将原有的PAN结构更换为FPN结构,使得网络模型中的计算参数再次减少,计算量也大大降低,识别速度方面进一步提升。（5）预测端引入空洞卷积,有效提升目标尺度不一的识别效果,经过实验对比,同样能够提升识别的平均准确精度以及召回率。最后,本文将每处改进点融合,得到了一个最有效的算法模型,其识别准确度可以达到95.95%;FPS可以达到38,可以达到实时检测的需求;召回率达到94.08%,证明该算法满足对水产养殖道路上障碍物准确且快速识别的要求,且算法模型内存由原始的245.9M降低到33.4M,更容易实现算法的部署。该算法的实现有利于推广自动驾驶补料车应用在水产养殖环境当中,通过内嵌此算法即可快速识别道路上障碍物,促进水产养殖行业的发展。