工厂化养殖正朝着精准养殖的方向发展,鱼类体长数据是精准养殖中的一项重要指标,能够直接反映鱼类的生长情况,为渔业领域提供可参考的数据。随着计算机视觉的发展,已有大量采用图像处理或深度学习技术的无接触式鱼类体长测量研究,但部分方法仍需人工干预、限制了鱼类的自由游动,不适用于水下鱼体长度的动态测量。因此,本文针对上述问题,提出了基于关键点检测的水下鱼体长度测量方法,具体内容及创新点如下:（1）基于R-YOLO5F模型和分段测量的鱼体长度测量方法。针对YOLO5Face模型定位鱼体特征点不准确的问题,提出了R-YOLO5F模型。模型借鉴Res Net（Residual Network,残差网络）中残差模块的思想,通过在输出层的卷积模块两端进行短接,以获得更加丰富的高层特征,提升关键点检测的准确性;针对鱼在游动过程中身体弯曲对体长测量结果造成的影响,提出了五点式关键点标注方案,结合R-YOLO5F模型和Realsense D435i深度相机并利用欧氏距离公式对鱼体进行分段测量。为验证所提模型及测量方法性能,分别设计了模型和测量误差的对比实验。实验结果表明,关键点检测模型R-YOLO5F的召回率、准确率分别达到了93.46%、91.62%,较原模型分别提升了1.18%和0.88%。测量结果表明,五点式测量方案平均相对误差较两点式测量低1.04个百分点。（2）基于DR-YOLO5F的鱼体关键点检测模型。针对R-YOLO5F模型在鱼体倾斜等情况下出现关键点偏移的问题,对模型进行了改进,提出了DR-YOLO5F模型。为解决特征丢失的问题,借鉴Dense Net（Densely Connected Convolutional Networks,密集连接卷积网络）中Dense Block的思想,在Neck层和输出层之间以密集连接的方式对特征进行传递,以提高关键点检测的准确率。为验证改进后的模型性能,对DR-YOLO5F模型分别进行消融实验和模型对比实验。实验结果表明,DR-YOLO5F模型的准确率、召回率分别达到了94.67%、93.52%,较R-YOLO5F模型分别提高了1.21%、1.90%。并对改进前后的模型进行鱼体长度测量的误差对比实验,结果表明,改进后的模型DR-YOLO5F的体长平均相对误差较R-YOLO5F降低了0.89%。（3）鱼体长度测量系统的设计与实现。本文设计了一种无接触式鱼体长度测量系统,能够对输入数据中的鱼类目标进行关键点检测并输出体长测量结果。考虑到用户对系统的具体需求,在模型检测模块与长度测量模块两大主要模块的基础上,还添加了数据输入模块为用户提供多种读取数据的方式,同时为方便用户对模型、参数等进行选择或修改,设计了权重选择模块与参数调整模块。