鱼类研究在渔业规划、海洋生态和环境科学等自然科学研究领域都起着重要的作用。鱼类研究关键的第一步是鱼种类识别,传统的研究方式主要采用人工采样和潜水观察等方法来统计某一水域鱼的种类和数量,从而评估种群多样性和分布等核心指标。近年来,随着水下传感器和水下图像采集技术的快速发展,多个国家的海洋组织收集并发布了大量的鱼类水下图像数据。基于这些数据,研究者们提出了很多机器学习模型和方法来训练鱼类识别模型。然而,现有方法存在很大的局限性,大部分方法基于传统机器学习模型,只适用于极小规模的数据集或者种类,无法训练大规模、高精度的鱼类识别模型。其最主要的原因是水下环境中采集到的图像不清晰、灰暗且包含大量的背景噪声和遮挡物。这种高噪声图像给机器学习带来了巨大的挑战。本文围绕水下鱼类识别这一核心任务,以实现高效、大规模、高精度鱼类识别为目标,结合前沿的深度学习技术,开展了以下四个方面的研究工作:（1）基于深度学习的水下鱼类识别模型和损失函数研究。本文系统地研究了深度学习模型和鲁棒损失函数在水下鱼类识别任务中的表现,确定了当前对大规模鱼类识别最优的深度学习模型结构和损失函数,并基于此得到了一系列关键发现,为后续研究提供了实验基础。（2）基于混合对比学习的水下鱼类识别研究。针对水下图像中噪声背景会严重干扰鱼类主体识别的问题,本文提出混合对比学习方法,通过构建“纯背景”图像并将其与原始图像进行对比,以此来帮助模型更好的区分前景和背景,从而提高对鱼类主体的学习。在真实水下数据集上的结果表明,此方法可显著提高现有方法的识别准确率。（3）基于判别特征学习的水下鱼类识别研究。基于（2）的研究发现,本部分进一步提出判别特征学习配合注意力抑制的模型训练方法,通过判别特征学习鼓励模型去关注鱼类主体,同时通过注意力抑制减少模型对背景的关注,大幅提高模型对水下图片识别的鲁棒性。基于多个水下数据集的实验结果表明,此方法可有效训练大规模鱼类识别模型,高出现有方法大约5%的识别准确率。（4）基于对抗学习的水下鱼类识别研究。基于对抗训练,本部分提出一种简单、高效、通用的鲁棒模型训练方法,可自动区别背景与前景对分类任务的影响,并自动生成噪声对前背景信息进行有区别的抑制（或增强）,从而达到更高效、更鲁棒的模型训练以及更优的分类准确率。所提出的鲁棒训练方法既具有理论创新又能有效解决水下鱼类识别任务中噪声背景所带来的学习瓶颈。在三个水下图像数据集上的实验结果显示,所提出的对抗学习方法可以大大降低模型对背景噪声的依赖性,在大规模数据集上准确率比现有方法提高大约5%。本文的研究成果不但为水下鱼类识别研究领域提供了系统全面的实验探索和关键发现,而且通过新提出的三种机器学习方法为领域训练了高精度的水下鱼类识别模型。这些模型可以部署在实际场景中服务与渔业规划和海洋生态环境研究。此论文提出的方法和实验发现对构建通用的水下视觉模型也有一定的启发性,可以推动计算机视觉在非常规场景下的应用。本文所提出的模型训练方法均在大规模水下图像数据集上进行了验证,对未来训练更大规模的模型训练有一定的指导意义。