受到生物特点和复杂环境等诸多因素的影响,长久以来浅海增养殖难以做到精准监测、检测和利用,我国浅海增养殖虽然经过长久发展,但养殖信息化和智能化程度低、大数据挖掘与分析技术薄弱,由于历史和现实原因,养殖数据具有资源途径多样、结构繁杂、质量参差不齐、应用范畴宽广、数据总体质量偏低的特点,现有浅海增养殖多依赖人工,这也造成了数据资源无法做到有效利用。近年来随着养殖大数据技术和生态学养殖的多元化发展,通过学科交叉的方式将大量数据进行分析挖掘,最终将结果以直观界面化形式呈现给生产决策者的方式逐渐成为了解决上述问题的一种思路。因此对浅海增养殖大数据进行系统化分析并综合来源和获取方法进行归纳,将养殖行业和全过程产业链的数据进行整合,进而实现整个行业的自动化决策化,为我国养殖产业的变革升级提供理论技术支持就显得尤为重要。面对浅海增养殖大数据分析这一关键问题,由于数据本身复杂性、多元性的特点,这对数据处理提出了较高的要求,本文由此作为切入点,针对养殖生物图像分类场景中大规模数据及模型训练效率低等问题,从多机数据通讯及GPU并行方法两个方面展开研究,首先通过分节点间隔配对原则实现数据传输流程的优化,得到了一种改进时间复杂度的Ring All Reduce数据通讯算法,用于提升数据并行多设备间传输效率,缓解传统参数服务器并行结构带宽损耗问题;其次,本文利用传统深度学习主干网络包含权重参数较全连接层小,同步开销小而全连接层权重庞大梯度传输开销过高这一特点,将主干网络进行数据并行处理,全连接层采用模型并行处理提出混合并行算法,解决了数据并行模式难以支撑大规模网络参数及加速延缓的问题。实验也发现,相比数据并行,该方法在Finsh4knowledge上存在更大的加速优势,更适用于海量养殖图像分类数据并行训练。除此之外,本文在养殖数据分析的基础上,进一步搭建了一个浅海增养殖大数据服务平台,完成了该平台的总体技术框架设计和各功能模块的业务流程规划,以及增养殖数据在线并行训练和大数据平台搭建等关键技术的探索与实现;开展了爬虫、流媒体技术及应用层页面渲染等关键问题的研究,构建移动端在线监测系统和浅海增养殖智慧服务平台,基本实现了增养殖数据实时监测、生产过程管理、信息发布、环境预警、智能决策服务等功能的系统设计和业务流程规划,为示范区提供移动端和平台端的协同联动的全过程信息化平台支持。