鱼体前处理加工技术的发展直接影响着渔业现代化进程。鱼体定向整理作为前处理加工之前的一道重要工序,目前主要依靠人工完成,存在工作环境嘈杂、劳动强度大、自动化程度低等问题。本文通过对传统鱼体定向整理方法进行研究发现,目前鱼体定向整理装置主要依靠鱼体头尾以及鱼体腹背重心位置不同、鱼体各部位摩擦系数和硬度的差异等物理特性进行设计,每种定向整理装置的处理对象较为单一,普适性不强。本文以鲐鱼为研究对象,提出了一种基于图像处理和深度学习的鱼体头尾与腹背朝向识别方法,配合相应的执行机构实现鱼体的头尾及腹背定向功能。据此搭建了鲐鱼头尾及腹背定向试验装置,并进行了装置性能验证试验。主要研究结论如下:（1）鲐鱼自动定向整理装置的设计。该装置主要由图像采集装置、鱼体分离装置、鱼体腹背定向滑槽、硬件控制系统、上位机图像处理系统等组成。图像采集装置实现对输送带上鱼体的采集功能并将图片传输给上位机;鱼体分离装置实现对堆叠鱼体的分离功能,硬件控制系统控制气缸推杆动作,上位机图像处理系统完成对鲐鱼头尾及腹背朝向的识别。（2）基于图像处理的鱼体腹背朝向识别。针对鲐鱼腹背明显的颜色差异,利用图像处理技术对鱼体图像进行灰度化、去噪、二值化、轮廓提取等处理,基于鱼体的外形特征,对分离出的鱼体区域进行网格划分,提取鱼体上、下部份各3个点的灰度值平均值进行比较,从而识别鱼体的腹背朝向,验证试验结果表明,此方法的准确率为100%。（3）基于深度学习的鱼体头尾朝向识别。本文在采集完整鱼体图像后,将图像分割为“头部”和“尾部”构建鱼体朝向识别的数据集。使用Alex Net、VGG16、Google Net和Res Net18等4种经典卷积神经网络分类模型进行训练,为防止数据集样本容量太小导致模型过拟合,通过引入迁移学习和改进损失函数的方法对模型进行优化。试验结果表明:4种网络模型中Res Net18在验证集上的识别性能最佳。其平均识别准确率为99.5%,平均识别时间为0.034s,F1分数为99.49%。网络权重文件大小适中。（4）搭建了鲐鱼头尾及腹背定向整理装置。以鲐鱼为试验对象,开展了鱼体头尾及腹背定向整理性能验证试验,结果表明:基于图像处理的鱼体腹背朝向的识别准确率为100%,基于Res Net18网络模型的鱼体腹背朝向的识别成功率为96.25%,算法的识别时间为0.038s,平均每条鱼的定向整理时间为3.725s,鱼体定向效率约为15～16条/min。