随着大众对食用健康的要求不断提高,对淡水鱼类食用方面的要求也由数量转为质量,人们更倾向于购买肉质鲜美且具备营养价值的生态鱼。目前,在贩卖市场上存在生态鱼和饲料养殖鱼混杂的现象,由于普通消费者无法通过肉眼直接分辨出生态鱼或饲料养殖鱼,消费者常常花费较高价钱买回来却是低价的饲料养殖鱼。因此为了让消费者快速高效地识别购买的鱼是生态鱼还是饲料养殖鱼,开展研究淡水鱼类的生存环境溯源技术具有重要意义。近年来,食品安全得到了越来越来多研究团队的重视,促进了溯源技术快速发展。其中图像分析溯源技术是目前国内外较为新颖的溯源技术,该技术主要通过机器学习、深度学习等方法对图像进行识别分析,这类方法对算法技术要求较高,但以其识别精确度高、识别效率高和应用范围广等优势,在溯源技术领域中得到国内外研究学者的青睐。因此本文选择以鳙鱼图像为研究对象,以研究鳙鱼图像的溯源方法,通过分析鳙鱼图像数据特点,发现以下四个亟待解决的关键问题:模型选择、数据迁移、光线影响和背景影响等。故本文针对以上存在问题提出了一种基于多模型融合的鳙鱼溯源方法,主要工作如下所示:第一,针对模型选择问题,本文研究了国内外主流的深度学习网络,通过对比分析之后,本文选用Dense Net网络模型,通过Dense Net网络可以将卷积神经每层中学习到的特征值向后传递,网络不仅能在长期学习过程中保持学习最初有效的特征,还能提高特征提取的效率,最终大大减少了学习成本。第二,针对数据迁移问题,本文采用了迁移学习的思想,将训练模型分解为在线训练和离线训练两个步骤,不断学习输入来的鳙鱼图像深度特征,以保证在不同营养型水域中的鳙鱼图像,溯源模型仍然能达到很好的溯源分类能力。第三,针对光线影响问题,本文提出基于Enlighten GAN的鳙鱼图像增强方法,通过该方法可以将低光、反光图像转换为正常光的鱼体图像,使得溯源模型更加注重鱼类特征本身,并且大大减少了光线对特征提取、图像识别的影响。第四,针对背景影响问题,本文采用了改进Faster-RCNN鳙鱼特征增强算法,对Faster-RCNN网络模型进行改进,将其backbone选改为Dense Net-121,削弱了复杂背景对神经网络提取鱼类主体特征的影响,并提高分类准确率。第五,基于以上鳙鱼溯源算法研究,本文设计开发了一套鳙鱼溯源系统,并在重庆市迎龙湖水库对系统性能进行了测试。最终系统测试结果表明,该系统基本能够对鳙鱼图像实现溯源工作,且具备高精度、高效率和使用便捷等优点。综上所述,本文针对提出的四个关键问题,采用了模型融合方式,提出基于多模型融合的鳙鱼溯源算法,该算法的整体框架分为在线学习和离线学习两个阶段,每个阶段中首先利用Enlighten GAN模型进行图像增强操作,并融合改进Faster-RCNN模型以实现鳙鱼的生存环境溯源。从实验测试结果表明多模型融合算法对鳙鱼图像溯源效率上具有一定提升效果,并且获得较高溯源准确率,其准确率达到0.982。