目前,海参养殖的监测与捕捞等作业均由人工潜水完成,这种方式劳动强度大,危险系数高,而且对潜水员健康损害较为严重。水下机器人环境适应能力强,安全可靠,实现水下机器人海参自主监测与捕捞有助于促进传统海参养殖业的自动化、信息化与智能化发展。但受限于水下复杂时变的自然环境,海参识别成为海参自主捕捞首要攻克的难题。卷积神经网络(Convolutional Neural Network,CNN)具有强大的特征提取与表达能力,在复杂背景下的目标检测方面性能优势较为突出。本文将卷积神经网络引入到水下海参识别中,并与水下机器人相结合取得了较好的识别效果。首先,采用水下机器人采集海洋环境下的海参图像,分析了水体、光照对水下图像质量造成的影响,通过对比不同预处理算法的增强效果,确定了多尺度Retinex算法对图像进行增强以解决图像衰减模糊、色偏等问题,并结合数据增广标注制作了海参数据集。其次,基于经典SSD检测算法实现了水下海参识别,采用K-means聚类获取了海参的先验宽高比,并对比研究了不同天气下海参图像的识别效果。针对经典算法存在的网络冗余性,采用卷积核剪枝对特征提取网络进行修剪,在保证模型精度的情况下降低了模型尺寸。通过与其他算法的识别效果对比,剪枝SSD具有一定的性能优势。为进一步降低模型计算量,本文将轻量化网络Mobile Net引入到海参识别模型中。针对轻量化造成的精度损失,改进设计出一种基于残差跳跃结构和空洞卷积的轻量化海参识别模型,达到了精度与速度兼备的识别效果。并在此基础上,采用模型量化技术转换数据存储格式以压缩模型,为模型的低成本应用打下了基础。最后,搭建了水下机器人实验平台,将海参识别算法与水下机器人相结合,在自建数据集和模拟环境下进行了海参识别试验。试验结果表明,本文所提出的海参识别模型能够在复杂环境下高效、准确地识别出海参,具有一定的实用性和可靠性。