随着大数据、人工智能等新兴技术的不断发展,水下图像识别技术在水产养殖中的应用越来越多。水产养殖塘水下环境浑浊复杂,水下摄像头采集的图像存在色偏严重、亮度和清晰度低等问题,对水下养殖物的识别影响较大。小目标养殖物体积较小,包含的特征信息较少,进一步增大了识别难度。本文针对水产养殖中水下小目标的识别问题,首先通过图像预处理改善图像质量,增强图像特征,然后对YOLOv3算法进行改进,以适用于水下小目标的识别。本文的主要研究工作如下:（1）针对水下拍摄的图像存在图像模糊度高、对比度差、亮度较暗和色彩失真等问题,提出了对水下目标的识别过程分两阶段进行的方案。第一阶段为水下图像增强,第二阶段为水下目标识别。（2）在水下图像增强阶段,为了提高图像的增强效果,将其分三步进行,第一步对图像进行白平衡,拉伸像素;第二步进行Gamma校正,调整亮度;第三步利用锐化处理和暗通道先验方法增强图像中识别目标的细节信息。（3）在目标识别识别阶段,为了提高识别精度和小目标的识别率,分别在YOLOv3的残差网络和特征金字塔层级连接两部分进行改进。在残差网络上,鉴于Mish激活函数在YOLOv4中具有较好的表现,考虑将它引入到对残差网络的改进当中。改进后的残差块分两步进行,最后再将这两部分进行堆叠。在卷积金字塔部分,由于小目标在网格比较大的特征层中难以被识别,因此本文通过卷积金字塔的上卷积机制生成一个网格更小的特征层用于小目标的识别并使用剪枝技术去除网格大的特征层。对于新生成的特征层需要为其设置锚定框。为了找到合适的锚定框,本文利用K-means++聚类算法完成锚定框的设定。通过加深网络结构和融合更浅层的特征两种方法相结合的方法,提高在目标识别阶段小目标的识别准确性。在图像增强阶段,按照本文图像增强的方法进行实验,通过实验得到的PSNR和UIQM评价指标的值最大,图像失真最小,色彩、对比度、清晰度等图像质量最优。在目标识别阶段,改进后的YOLOv3模型在测试集上的准确率为95.83%,召回率为91.16%,均值平均精度为87.36%,相较于改进前的算法,识别准确率提高2.3%,平均精度提高2.6%,召回率基本不变。实验结果表明本研究提出的水下小目标图像识别方法在水产养殖中具有良好性能。