随着人们对于水产品需求的不断增加,根据国际粮食和农业组织估计,到2030年全球水产品需求缺口预计将达到3000万吨。海洋渔业农牧化也是我国现代海洋渔业发展的趋势,渔业的发展对于我国人民群众的生活和国民经济有着十分重要的意义。在水产养殖中,最重要的问题之一是通过自动化手段准确地、持续地监测鱼的各类形态特征,来评估鱼类健康状况并优化鱼群日常饲养流程,为确定最佳的捕捞时间提供科学指导。鱼类的体尺参数是评价其生长状况的重要指标之一,对鱼类的分级分类起着比较重要的作用。不仅如此,利用鱼的大小与重量之间的相关性也可以估测鱼的重量和脂肪含量。目前水产养殖场中获取鱼类的各种形态参数主要依赖人工测量,通过从水中捞取少量样本,对各类体尺信息进行测量,费时费力且准确率较低,也无法获取全面的体尺信息。有部分研究利用立体视觉系统和关键点检测技术,构建了基于计算机视觉的无损测量方法,一定程度上克服了传统手工测量方法存在造成鱼体损伤、捕捞成本高、测量效率低的缺点。但是基于关键点检测实现鱼体尺寸测量的方法,需要针对不同的鱼种进行不同的标注,导致了该方法具有泛化性低、标记成本高的缺点。因此,设计出一个低成本、无接触、精度高和泛化性强的方法,以实现鱼体尺寸的自动化测量,这对鱼类养殖产业有着十分重要的意义。本文以红鲫鱼为研究对象,设计了一种全新的基于深度学习的鱼类体尺测量方法,利用目标检测和深度估计算法探索了水中鱼体长度的无接触快速估测的可行性。本文主要研究内容如下:（1）利用相机拍摄水下的鱼类图像时,由于鱼在拍摄时会不断游动,图像中鱼体往往呈现为不同的方向,通常的目标检测方法只能标记出鱼体在图像中的位置,为了更好地拟合鱼体的形状,需要使用多方向目标检测算法生成带角度信息的矩形框实现对鱼体形状的拟合。本文提出一种端到端的基于自注意力动态金字塔的多方向目标检测网络,将自注意力机制嵌入到特征金字塔网络,重新构造自注意力特征金字塔模块。利用自注意力机制可以捕捉全局特征,提高了特征金字塔中各个特征层生成正样本锚框的数量和比例。然后利用坐标回归子网络输出正样本检测框比例的后验信息设计了动态特征层选择模块,根据不同特征层生成正样本锚框的贡献度去选择贡献度较高的特征层,利用自注意力模块将全局上下文信息传递到各个特征层,从而扩大特征图的感受野,进一步提高了目标坐标回归和分类的准确性。本方法在多个公开数据集上进行了实验,也成功将该模型应用到了鱼类数据集上,实验结果表明,本方法可以有效地增加神经网络对于全局特征的学习,提高了多方向目标检测网络在各类数据集上的准确性,通过不同种类的数据集进行验证,证明了其泛化性也比较优异,本模型很好地解决了多方向目标检测网络中角度位置回归不精确的问题。（2）基于计算机视觉的鱼体测量方法中,通常先使用图像分割算法提取鱼体的轮廓信息,再通过关键点检测算法,提取出鱼体各个部位的特征点,基于特征点和特定的拟合公式计算出鱼体各部分的尺寸。上述测量方法中存在一定的缺点,如图像分割模型需要较高的算力,难以部署到渔场中的小型设备上,关键特征点检测需要结合相关鱼类领域知识且模型泛化性较差。为了解决上述问题,本文提出一种基于多方向目标检测网络和深度估计的鱼类体尺测量方法。目标检测算法具有速度快、精确度高、泛化性强的特点,其模型也相对轻量化从而可以部署在不同类型的设备上,利用多方向矩形框实现对鱼体进行精确拟合,得到鱼体的像素长度,再结合目标点的深度信息可以快速计算鱼体实际尺寸大小。实验结果表明,本方法不仅可以保持良好测量精度,而且具有标注成本更小,部署设备要求低,泛化性更强等优势,该研究成果为无接触水下鱼体尺寸自动测量研究提供了理论基础。最后,本文也对本方法未来的研究方向做出了展望。