近年来,随着我国水产养殖业的飞速发展,精细智能以及预防化养殖方式已逐渐成为未来的养殖趋势。作为水产养殖品种之一,在水产养殖过程中出现的例如温度急剧变化、溶氧异常或人为干预等多维因素让虾苗处于应激状态,影响虾苗存活率。及时发现虾苗处于应激状态可以大幅减少养殖损失,提高虾养殖产量和效率。一般急性应激会使虾苗产生异常生理和行为变化,因此虾的行为对养殖者而言是一种有价值的参考信息。本文以南美白对虾为研究对象,依据生产过程中相关实践经验,建立量化虾苗活力方法,并以此为基础探究人为外界因素引起虾苗应激状态下的行为变化。其主要研究内容和结果如下:（1）虾苗应激图像预处理研究:建立视频采集系统获取虾苗在应激前后的行为视频数据,再对虾苗图像进行中值滤波除噪,并对图像进行直方图均衡化,增强模糊背景下虾苗的对比度,同时提取虾苗灰度图像,避免可见条带失真。（2）虾苗应激行为特征提取方法研究:首先对虾体目标进行分割,运用形态学处理提取虾骨架,实现虾体相对长度的测量,通过虾体长度确定虾苗的规整度;为了初步判断虾苗在应激前后运动变化,采用Lucas-Kanade光流法获取虾体运动方向矢量,计算并分析虾苗的方向矢量分布,再用方向熵特征量化虾群运动的整体混乱度;接着针对虾苗在应激前后颜色变化、水面波纹抖动、虾群投影变更以及虾苗运动轨迹与行为量变化,在HSV颜色空间下选取H、S两个参数量化作为颜色特征,运用灰度共生矩阵（GLCM）提取能量、熵、惯性矩、相关性四个参变量作为纹理特征,提取面积、离心率作为形状特征,最后通过Deep SORT对虾苗进行跟踪,结合改进后的加权平均法实现虾群轨迹描述并提取平均游动速度v、平均游动加速度a作为运动特征参数最终实现对虾苗活力的量化。通过动静参数结合来表征虾苗的活力,降低了误判率,提高了检测精度。（3）虾苗活力检测识别研究:建立基于XGBoost+RFE虾苗活力识别模型,共选取了12个特征进行建模。首先将特征输入到RFE,对虾苗应激行为特征参数进行重要性排名,反复筛选直至排名不再变化,再将特征输入到XGBoost中重新进行打分,通过多次迭代得出特征排名,将特征进行组合,选择精确率与实时性统一度最高特征组F12、F5、F7和F1,对该特征组各特征赋予不同的权重,反复实验进行特征融合,并最终形成虾苗活力检测模型。结果显示:当评价因子F12、F5、F7和F1的权重分别取0.30,0.26,0.25,0.19时,融合后的特征识别准确率最高,为98.96%,较以往单一颜色、单一纹理以及光流与纹理相结合的方法,分别提高了6.98%、2.4%和1.96%,同时本模型较BP、KNN和SVM检测准确率,分别提高了1.31%、3.69%和2.13%。研究表明,该方法不仅具有较强的鲁棒性,还缩短了检测时间,为虾苗活力强度分析提供了研究基础,对虾苗的选取以及养殖监测具有重要意义。