随着近年来人们对水产养殖的关注度增多,鱼类检测与识别对水产养殖业的环境监控、渔业发展等起到关键性作用。目前,水下目标识别技术已成为探索水产养殖业的重要部分,而对水产养殖浑浊水域鱼类的精确识别是渔民经济收益的保障。并随着行动摄像机和无人水下设备等水下记录设备的可及性提高,使得能够高效、安全地拍摄,而不存在通常人工数据收集时带来的后勤困难。然而,水下设备收集了大量需要手动处理的图像数据,对目标识别带来一些影响。使用深度学习来自动化图像处理有很大的好处,但在水产养殖领域很少被采用。近年来,随着深度学习技术在各个领域应用的成功,越来越多的深度学习技术开始部署到硬件嵌入式平台中,同时嵌入式系统在实现实时检测和信息采集方面也有很大的突破。目前低成本、高功效的K210开发板已被应用于实时目标检测和识别方向,通过K210内置的KPU卷积神经网络加速器和摄像头的实时采集,将摄像头的实时采集数据作为KPU的输入,实时显示目标的类别和置信度。本文通过研究常用的深度神经网络方法,并结合水下增强算法对图像进行优化,从而实现对浑浊水域的图像增强。利用目标检测模型和水下增强算法的结合提取特征替代传统图像增强算法,相比基于传统图像增强的水下目标识别方法有更高的精度。并将其移植到K210硬件平台上实现目标检测和识别。本文主要研究工作如下:1)水下图像的增强技术。为解决水下图像质量差对目标识别的不利影响,从提高目标识别率的角度提出了一种改进的MSRCR（multi-scale Retinex with color restoration）图像增强算法和FUn IE-GAN方法结合。该方法不但大幅地提高了水下图像的观感,而且使水下图像的色彩分布更加均衡,有益于提高目标检测模型对水下鱼类的识别率。此外,还将该方法和暗通道先验、MSRCR、限制对比度直方图均衡、FUn IE-GAN算法等图像增强方法对比,从主观的视觉观感到传统的评价指标（信息熵、清晰度、对比度）和提高YOLOv4模型的识别率方面,验证了所提图像增强算法的有效性和先进性。2)目标识别模型研究。首先,针对水下图像中存在小目标模糊问题,在经过图像增强后的数据集上进行多目标、多类别水下鱼目标检测,YOLOv4取得了98.20%的准确率、95.34%的召回率和95.09%的m AP（meanaverage precision）值。然后,再与YOLOv3（You onlylook once）、Faster R-CNN的目标检测方法对比,进一步验证了本文图像增强方法的有效性。通过对比图像增强前后的水下鱼目标识别结果,可以验证所提方法的有效性和优越性。同时,也说明了在小样本水下场景下,合适的图像增强算法可以提升目标检测的性能,且这种提升和客观图像质量评估的结果成正比。3)基于K210的检测识别。首先,针对K210开发板只满足图像分辨率大小224×224的问题,缩放水下图像的分辨率,并根据本文提出的图像增强方法进行图像增强。其次,选择轻量级网络模型进行训练,并进行模型转换。最后K210开发板内置的KPU卷积神经网络加速器,解决处理速度慢的问题,并可以实现实时检测。本文对质量不好的水下图像进行图像增强,提出一种改进的MSRCR和条件生成对抗网络相结合的图像增强方法,从主观和客观评价本文方法的优越性,使用目标检测模型在数据集上进行训练,最后在K210开发板上实现目标检测。本文的研究成果为水下机器人的光学视觉系统提供了重要参考。