在鱼类的育苗选种与养殖生产中,体质量是极其重要的选种指标和生产指标。传统的测量方法需要抽样后人工称重,操作难、效率低、结果不可靠且容易对鱼造成伤害。鱼类体质量与其多种形态参数具有显著相关性,因此可通过测定形态参数反演得到体质量。本研究将机器学习和立体视觉的方法引入鱼类体质量测定中,实现了鱼类体质量的非接触测量,提高了测量的效率和精度。首先,通过双目立体视觉方法以及基于主动形状模型的关键点定位技术获取鱼体的稀疏深度信息,从中提取三维鱼体几何特征,进而完成形态参数的原位测定。在测定前,先进行了基于稀疏表示的超分辨重建。重建在两个已有数据集和本研究制作的加入水下图像降质因子的数据集的基础上完成。结果表明,经超分辨重建后关键点定位的精度更高,测定的形态参数也更准确。其次,研究了量化各形态参数与体质量相关性的方法。在基于权重的神经网络输入变量贡献度估计算法的基础上,提出了结合投票方法和随机化实验的混合流程,这使得形态参数重要性的评估结果具有统计学意义。通过实验选取了合适的距离度量函数判断形态参数估计排名与合理排名的相似度。最后,在上述分析结果的指导下,筛选了形态参数。结合自适应混沌粒子群算法（Adaptive Chaotic Particle Swarm Optimization,ACPSO）和极限学习机（Extreme Learning Machine,ELM）开发了一个稳健的体质量预测模型。通过与5个传统模型对比试验评估,自适应混沌粒子群算法优化的极限学习机（Adaptive Chaotic Particle Swarm Optimization-Extreme Learning Machine,ACPSO-ELM）具有较好的稳定性和预测精度,其决定系数约为0.99,残差平方和与均方根误差也远远小于传统模型。综上,本研究从测定鱼类形态参数、量化各个形态参数与体质量的相关性以及获得稳健的体质量预测模型出发,综合各技术提出一个鱼类体质量非接触测量流程。相比于之前的研究,本研究提出了量化形态参数对与体质量相关性的方法,创造性地将如何分析各形态参数与体质量关系的问题转化成如何求取神经网络输入变量贡献度的问题,并结合投票算法与随机化实验使得该方法具有完整的统计学意义,实现了形态参数的排名与量化。