智慧渔业是大数据、物联网与人工智能等现代信息技术驱动下的渔业发展新模式,是水产养殖业供给侧结构性改革的重要方式,涉及养殖环境监测、生物环境监测与生物状态监测这几大方面的应用与需求。本文从养殖产量与健康状态两个热点需求出发以鱼类为对象研究了鱼群密度估计与摄食状态量化两方面内容。本文采用密度估计的方法完成鱼群目标计数,通过估计鱼群图像密度间接获得目标数量。鱼群摄食行为侧面反映了鱼群的健康状态,评价其摄食行为的强弱有利于实现鱼群健康状态判断的数字化、信息化。本文的主要研究工作如下:（1）创建了鱼群密度估计数据集。首先搜集鱼群图像构建了图像数据集。由于数据集中鱼类目标种类、尺寸大小、密度等级造成鱼类目标占据的图像区域面积相差较大,且无法通过目标间距离衡量目标大小。由于无法采用常用的高斯滤波方法生成密度真值,因而直接采用目标点标注信息即点图作为密度真值。（2）设计了鱼群密度估计网络 FDENet（Fish Density Estimation Network）。该网络结合了跳跃连接、图像金字塔输入与特征感知的优势提高网络的目标尺寸鲁棒性,提升密度估计性能。同时针对常用密度估计损失函数LMse不适用本文创建的点图密度估计数据集,提出采用Lcount+Mse作为FDENet的训练损失函数。最后设计了模型对比实验、损失函数对比实验与网络结构消融实验验证本文方法的合理性与有效性。（3）针对直接分析的鱼群摄食状态量化函数采用单一鱼群游泳速度特征导致对摄食状态反映不准确的问题,提出融合鱼群游泳速度、空间分布的摄食状态量化函数SLFI（Speed-Location Feeding Intensity）。针对间接分析的摄食状态量化函数系数设置不合理导致对摄食状态反映不准确的问题对其进行优化,提出摄食强度函数Ea。最后通过鱼群摄食视频分别验证了本文方法对鱼群摄食状态描述的准确性。