海洋面积占地球总面积的绝大多数,其中蕴藏着丰富的石油、天然气、矿物、化学和水生资源。由于人类生存空间的不断扩大,土地资源被过度开发,世界上大多数国家都将注意力集中在开发海洋资源上。因此,近年来相关的水下机器人和探测技术得到了迅速发展。水下目标检测技术依赖于大规模的标记数据,但是目前深海底栖生物图片标注工作所需的人力成本较为高昂,该类图片标注工作量大、重复性高,而且要求标注人员拥有相关专业技能。因此,对深海大型底栖生物数据智能标注的研究是十分必要的。本文深入研究基于深度学习的目标检测模型和主动学习框架,针对深海底栖生物数据集的标注问题,分别从图片增强和主动学习框架改进两方面入手,提出了基于定位稳定性选择和伪标签的主动学习算法（Localization-Aware-Choice and Pseudo Label Active Learning）。该算法的核心内容包含基于特征提取与聚类的样本简化方法、改进基于LS（Localization Stability）的主动学习样本选择策略和改进基于伪标签的半监督学习方法。本文提出的智能标注方法使用主动学习框架加速模型训练,选取优质样本使模型在相同规模的数据集中取得更高的精度,然后使用训练得到的高精度模型对无标签数据进行预测,生成标签。本文提出的主动学习方法能够极大地提高数据标注的效率,降低人工标注工作强度。本文的主要研究工作如下:（1）针对深海大型底栖生物图片普遍存在的低可见度、模糊、色彩失真等问题,本文主要研究了基于图片修复的预处理方法和基于图片增强的预处理方法,并对比了不同预处理方法的实验效果。在此基础上,本文选择使用基于图片修复的预处理方法ULAP（Underwater Light Attenuation Prior）嵌入主动学习框架中。（2）针对传统主动学习方法的选择策略在进行样本选择时,存在选取相似样本的问题,本文在主动学习框架中引入了特征提取和聚类方法,优化选择策略。首先,使用Faster R-CNN的特征提取网络VGG16,对样本进行表征学习,随后使用K均值方法对模型学习到的特征进行聚类,在聚类结果中选取中心样本进行人工标注。此方法不仅能够有效过滤相似样本,降低人工标注的工作量,而且可以均衡训练样本数量。（3）针对主动学习选择策略Localization Stability在选择样本时,加入噪声过量导致预测框稳定性计算不准确的问题,本文在主动学习框架中引入了噪声样本选择机制,并使用DIOU（Distance-Intersection Over Union）作为锚框距离度量方法,更好地反映预测框的稳定性。（4）针对目标检测模型训练样本不足的问题,本文在主动学习框架中引入伪标签机制,并对其进行了优化。在主动学习框架迭代前期,模型选择置信度与稳定性乘积高于某一固定阈值的样本赋予伪标签,随着训练迭代次数增加,逐渐减小该阈值,为更多的样本赋予伪标签,以优化模型的训练过程。本文在2020年中国水下机器人专业大赛提供的公开数据集上进行了对比实验,在使用相同数量样本进行训练的情况下,本文提出的主动学习框架将模型的准确率提升了1.73%。在模型达到相同精度的情况下,本文提出的主动学习框架可有效节省13%的数据。实验结果表明,本文提出的主动学习框架能够有效降低人工标注工作量,提升模型的训练速度,对深海底栖生物图片标注工作具有重要的作用和意义。