头足类生物的主要摄食器官是角质颚,在它们的生长过程中,其角质颚上的色素由于食性的变化而不断沉积。已有的研究表明,这种色素沉积可以反映出头足类生物的日龄、胴长、体重等生态学信息。目前对角质颚色素沉积的研究方法主要有两种,一种是基于角质颚的特定部位是否有色素沉积,将其定性地划分为八个等级,这种方法受人为因素干扰较大。另一种是通过测量角质颚多组外形参数,给出参数长度与色素沉积等级之间的相关性关系,这种方法由于测量参数多,需要多次计算,且参数与等级之间的相关性可能会存在冲突。当前,基于深度学习理论的图像识别技术飞速发展,并在众多领域中已经崭露头角,而其中以Mask-RCNN模型为代表的图像识别算法,可以在目标检测中取得较好的效果。因此,本论文中我们拟采用Mask-RCNN深度学习理论框架,通过对角质颚及其色素沉积的检测与分割,自动化测量并计算角质颚及其色素沉积的面积百分比,进而可以给出角质颚色素沉积与外形参数之间的定量关系,提出角质颚色素沉积的量化方法。主要内容如下:（1）对所获得的角质颚样本进行清洗,保存后使用显微镜进行拍摄,得到原始图像数据。但是本次获取的富山武装乌贼数量不多,不足以满足深度学习对大量数据的需求,故本文首先采用迁移学习,使用印度洋乌贼和赤道乌贼的角质颚样本,对Mask-RCNN深度学习模型进行预训练,然后采用富山武装乌贼数据对模型进行微调。具体试验过程如下:首先,对图像中角质颚及其色素沉积进行轮廓标注,将所得结果转化成训练集导入到残差网络中,提取角质颚及其色素沉积的数字特征。然后,基于特征金字塔网络将各层的特征加以融合,再利用区域候选网络对特征加以学习并生成候选框。最后,对候选框进行非极大值抑制,得到角质颚和色素沉积的候选区域。应用Mask-RCNN对角质颚及其色素沉积的分割结果,基于其面积得出色素沉积占比,进而实现了角质颚色素沉积占比的自动化精确获取。（2）尽管Mask-RCNN模型对角质颚图像的分割精度较高,但其训练时间较长,且在角质颚喙部的分割误差较大。故本文后半部分提出使用VGG16网络代替Res Net网络,将全连接层更换为局部感受野,用以降低模型参数,减少其训练时间。针对角质颚喙部分割效果差,我们使用Canny边缘检测算法与MaskRCNN模型的mask分支进行拟合。试验结果表明,改进后的Mask-RCNN模型,训练时间缩短了一半左右,上下颚及其色素沉积的分割精度分别提高了大约1%。进而,我们基于上述方法得到的色素沉积面积占比数据,应用相关系数分析和灰色关联度分析,计算色素沉积与外形参数之间的相关性,以期寻找用以刻画色素沉积的角质颚外形参数,研究发现,上颚中上喙长（URL）与色素沉积占比关联性最大,下颚中下头盖长（LHL）与色素沉积关联性最大,从而建立了色素沉积与单个外形参数之间的映射关系。通过对以上试验结果的分析,可以发现我们提出的头足类动物角质颚色素沉积量化方法表现出了优异的性能,并通过相关性分析了解到与角质颚色素沉积关联性最大的外形参数,可以为后续使用角质颚外形参数研究头足类生物的日龄、胴长、体重等生长参数提供新的研究思路。