海洋和内陆渔业,包括水产养殖,是全球约8.2亿人的收入来源,涉及收获、加工、销售及分配等活动。我国作为水产养殖大国,亟需通过现代信息技术手段解决今后渔业产业发展面临的关键问题。对鱼类种类进行识别能够为渔业产业提供有利的技术支撑,同时对于水产品养殖、渔业加工产业、鱼类资源调查和保护生态方面都具有重要的应用价值。鱼类种类识别主要面临两个问题:第一,传统上利用人工识别加工会造成劳动强度大和识别率低等问题,并且渔业识别专家较少,培训新手需要很长时间,甚至需要更长的时间来建立实践经验;第二,鱼类识别还受光照强度、背景栖息地和不同物种等各因素的影响。为了提高鱼类种类识别在复杂背景下的识别率,本论文深入研究了鱼类种类识别方法,主要研究内容与成果如下:1.针对复杂背景下进行鱼类种类识别这一问题,本文提出一种基于粒子群优化SVM（Support Vector Machines）的多特征鱼类分类算法。该方法采用自然环境下的鱼类图像进行实验。首先从原始图像中提取颜色、方向梯度直方图（Histogram of Oriented Gradient,HOG）和灰度共生矩阵（Gray-level co-occurrence matrix,GLCM）特征构成特征向量,并提出选择设置最佳权重比的方法进行特征融合,然后采用了 PCA（Principal Component Analysis）技术对提取的特征向量进行降维,以消除冗余数据,最终提出了粒子群优化的支持向量机分类方法进行分类识别。实验证明,将HOG特征应用到鱼类分类领域,对比传统提取鱼类特征方法,分类效果显著提高。采用粒子群优化后的支持向量机进行鱼类分类,使用自然环境下复杂背景的鱼类数据库进行实验,对比传统支持向量机的分类方法更能准确的对鱼类进行分类,其最高分类准确率达94.7%,该方法可以应用于自然环境下的鱼类图像数据集,实现对鱼类生物多样性的有效监测。2.上述方法在对少量鱼类品种分类的情况下具有一定的优越性,但该方法对比较多的鱼类品种分类具有一定的局限性。针对海洋鱼类品种繁多,相似性高的情况下,本文提出一种基于深度学习的鱼类种类识别方法。深度学习方法能够有效地识别不同分辨率的鱼类,即使图片中有强烈的纹理背景,也能将鱼类识别出来。该网络结构设计Block模块提取特征,该模块在卷积过程中采用了空洞卷积的思想,扩大感受野并捕获多尺度上下文信息,加入注意力机制提升神经网络性能使模型更加关注于目标对象,更加有效的提取鱼类特征。该网络设计进行大量的网络优化以确定最优模型。该模型在WildFish和Fish4Knowlege数据集上进行实验并与图像识别相关的深度神经网络模型进行实验对比。这些分类识别模型包括:VGG、AlexNet、SqueezeNet、DenseNet和ResNet模型。实验结果表明本文所提出的网络模型在分类准确率上具有一定的优势。分类准确率最高达到97.5%。