作为一种繁殖力极高的浮游生物,不受监测的水母爆发势必破坏海洋生物多样性,甚至严重危害人类的社会活动,如堵塞水电站取水系统,阻碍沿海旅游业的发展等。因此,开发一种水母爆发预警系统是发展智慧海洋的必然要求。是否能够准确并实时监测水母爆发是水母爆发预警系统的关键,但是由于水母生物习性和复杂的水下环境给水母监测带来很多挑战。本文以水母为研究对象,并基于深度学习技术研究高检测精度、快速的水母检测算法,为开发水母监测系统带来一定帮助。主要完成如下工作:（1）针对水母自身特点,如小目标数量多、密集聚集、尺度变化大;复杂的水下环境,如水质浑浊、水下成像模糊;YOLO-V4存在水母特征信息丢失、下采样时空间分辨率下降等问题,提出了JF-YOLO（JF为jellyfish中两个字母）:一种基于改进YOLO-V4的水母检测模型。首先提出残差空洞卷积增加模型感受野,并且降低模网络型参数量;其次提出具有超级特征的融合方式使网络模型获得具有丰富细节信息的特征;同时,为提高主干网络的特征提取能力,设计了带有残差注意模块的主干网络,进一步提高模型的检测精度。实验结果表明,JF-YOLO网络模型相比原网络性能得到大幅提升,满足现实环境下对水母检测精度的要求,为开发水母监测系统提供帮助。（2）针对网络模型部署时,嵌入式系统处理器计算能力较低、内存较小等现实因素,提出了Fast-YOLO:一种具有更少参数量、更快的水母检测模型。在不牺牲检测精度的前提下,减少网络模型参数,提高水母检测速度。首先采用轻量化Ghost Net主干网络压缩模型,减少参数量。其次,提出AF-PANet特征融合网络:采用深度可分离卷积替换标准卷积进一步降低网络模型的参数量;其次采用自适应特征融合增强网络模型对深层、浅层特征信息的利用率;通过跳跃局部融合提高每层网络特征的交互能力,确保网络模型具有较高检测精度。实验结果表明,Fast-YOLO在保证水母检测精度要求的同时具有更少的参数量,更快的检测速度,极大解决模型部署时对嵌入式系统处理器计算能力较低和内存较小等问题,为水母监测智能化提供一定帮助。