鲍鱼营养价值丰富且肉质鲜美,国内外市场对鲍鱼的需求量持续增大,但由于水体恶化、非法捕捞等因素导致鲍鱼的自然产量较低,远不能满足市场对鲍鱼的需求。因此,鲍鱼工厂化养殖快速发展。鲍鱼育苗是工厂化养殖的重要组成部分,鲍鱼育苗过程中需要对鲍鱼数量进行严格的控制,防止饵料投喂不足或养殖密度大导致鲍鱼生长缓慢,密度小影响生产效益;作为种苗出售时鲍鱼大小不一,还需要进行筛选分级。我国现阶段依赖人工对育苗期鲍鱼进行计数和筛选分级,工作量大且易出错,将卷积神经网络应用到幼鲍鱼智能检测计数和筛选分级工作中具有重要意义。本文运用深度学习技术检测幼鲍鱼个体位置和数量,复原幼鲍鱼完整轮廓并计算其壳长周长,实现实时监测幼鲍鱼数量、养殖密度以及尺寸大小的功能。本文的主要工作有以下三个方面:（1）提出了一种基于改进SSD网络的幼鲍鱼检测计数模型FAL＿SSD。在实验条件下,构建了幼鲍鱼计数数据集（juvenile abalones counting dataset,简称JAC数据集）。为提高幼鲍鱼颜色纹理相近、存在遮挡时的检测精度,改进SSD目标检测模型。首先,在SSD网络的卷积层引入多层次特征动态融合方法,使网络获取更多的幼鲍鱼颜色和纹理信息,提高颜色纹理相近情况下幼鲍鱼的检测精度;其次,引进多尺度注意力特征提取方法,消除来自图像背景的噪声信息,突出幼鲍鱼形状和边缘信息,提高幼鲍鱼在分布密集、存在遮挡情况下的检测精度;最后,引进损失反馈训练方法,以损失作为反馈信号,判断是否对图片进行随机裁剪和拼接,增强数据多样性,增加图片中幼鲍鱼的像素,提高体积较小的幼鲍鱼的检测精度。利用FAL＿SSD模型在JAC数据集上进行检测的AP50值和AP75值分别为91.14%和80.14%,优于SSD模型、FSSD模型、Efficient Det模型、Mutual Guide模型和Varifocal Net模型的检测结果,验证了本文所提FAL＿SSD模型的准确性和有效性。（2）提出了一种基于改进U-NET网络的幼鲍鱼体形复原计算模型FR＿Deocclusion。在实验条件下,构建了幼鲍鱼体形计算数据集（juvenile abalones shape calculation dataset,简称JASC数据集）。为了复原幼鲍鱼个体的完整轮廓,提高复原精度,对无监督去遮挡复原模型进行改进。首先改进模型中U-NET网络的连接机制,加深网络学习的深度,提高分割相邻幼鲍鱼的准确率;其次,针对幼鲍鱼在颜色相似情况下个体复原精度较低的问题,通过叠加的方式整合网络中不同层次的特征,使网络能够获取更多的幼鲍鱼颜色和边缘信息,提高幼鲍鱼完整轮廓复原的精度;最后,利用FR＿Deocclusion模型在JASC数据集上进行体形复原的m IOU值和p Acc值分别为86.69%和89.65%,优于Self-Supervised Scene De-occlusion模型和ASBU模型的复原结果,验证了本文所提FR＿Deocclusion模型的准确性和有效性。（3）研发了养殖幼鲍鱼生物量测算系统。养殖幼鲍鱼生物量测算系统使用Windows10操作系统,基于Pytorch的开发框架主要设计了2个接口和8个函数完成系统的开发。该系统包含四个模块:登录注册模块、幼鲍鱼检测计数模块、幼鲍鱼体形复原计算模块和系统数据库模块。其中,利用gui Main包实时选择图片、设置检测计数模块和体形复原计算模块的界面、显示所选图片中幼鲍鱼检测、计数、体形复原和计算的可视化结果;利用Single Pic Inter1包调用幼鲍鱼检测计数模型的权重文件对幼鲍鱼进行检测和计数,并保存结果;利用Single Pic Inter2包调用幼鲍鱼体形复原计算模型的权重文件对幼鲍鱼进行体形复原和计算,并保存结果。实现了对幼鲍鱼数量、个体壳长和周长的测算。