海洋鱼类作为海洋生物资源中最重要的一类,它不仅是人类重要的食物来源和人类社会可持续发展的重要物质基础,同时也是维护地球生态平衡的重要力量。在对海洋鱼类资源开发探测过程中,必须对各种品种的鱼类进行识别,但鱼类体形各异,大小不一,识别起来较为复杂,而且同一类鱼的不同品种通常具有相似的外形、尺寸以及纹理等特征,很有可能会出现误判而导致严重的经济损失。因此研究海洋鱼类图像的识别技术,对我国海洋鱼类资源的开发利用具有重要的学术价值和经济价值。随着计算机信息技术的飞速发展,深度学习在计算机视觉等多个领域取得重要突破,传统的机器学习方法正逐渐被基于深度学习的方法所替代。本文利用深度学习方法的强大能力及优势,将其运用在海洋鱼类图像识别领域,开展了基于深度学习的海洋鱼类图像识别相关技术研究,具体内容包括:(1)基于改进Faster RCNN的鱼类目标检测方法。针对现有鱼类检测算法对形状不规则和小目标存在检测难度大,准确率低等问题,提出了一种改进Faster RCNN的鱼类目标检测方法。在原始Faster RCNN上运用多通道全连接、形变卷积以及增加锚点数量等方法以保证网络提取到不同尺度下的特征,从而增强网络检测不同形状及尺寸目标的鲁棒性。(2)基于可分离残差卷积神经网络的鱼类目标分割方法。针对现有鱼类目标分割方法分割精度低、效果差、实时性低等问题,提出一种精度和实时性都较好的鱼类目标分割方法。在全卷积神经网络的基础上,结合卷积神经网络中残差学习以及可分离卷积和空洞卷积结构的优势,使模型在保证分割效率的同时,其分割精度也得到了大幅提高。(3)基于迁移学习和联合损失的鱼类识别方法。针对现有鱼类识别方法存在的鱼类标注数据集过少导致训练的深度模型准确度不高以及仅采用Softmax损失函数进行特征分类导致模型输出的特征判别能力较差的问题,提出了一种基于迁移学习和联合损失的鱼类识别方法。首先利用弱监督数据集对深度网络模型进行预训练,利用目标数据集对网络参数进行微调,构建初始化参数的鱼类识别模型,再基于Softmax损失和中心损失组成的联合损失对模型进行训练调优,提高模型输出特征的判别能力。(4)基于以上研究和工作,设计并实现了一个基于微信小程序的移动端海洋鱼类识别系统,并通过实际的场景对系统进行了测试。测试结果表明,该系统能够实现对海洋鱼类进行准确的检测和识别分类,而且运行速度快、使用方便。