中国是世界上排名第一的水产养殖大国。研究水产养殖的技术方法,提高养殖效率,对我国的水产养殖业具有重要的意义。在水产养殖中,鱼类的投喂技术和投喂方法极为关键。这是因为在投喂过程中,投喂不足或者投喂过量,都会影响渔业养殖中的经济效益。然而在目前的渔业养殖中,养殖密度逐渐增大,传统的人工投喂方法越发的不适宜现代化的精细化养殖。在人工投喂的过程中,投喂量极易受到养殖人员的主观经验和主观意识的影响,难以精准的把握投喂量,不仅容易造成饵料的浪费,而且残余的饵料还会对养殖环境造成不利影响,进而影响鱼群的正常生长发育。随着养殖方式和养殖规模的不断发展,现代化水产养殖迫切的需要一种新型的高效投喂方式。对鱼类进行精准化投喂控制,已成为近年来的研究热点。研究鱼群的摄食规律,制定合理地投喂策略,改进鱼群的投喂方式,提升鱼群饵料的利用率,是提升我国水产养殖的经济效益的重要途径。其中,研究鱼群的摄食规律是实现其他一切目标的基础。人工观察的方法在现代化的大规模养殖中,已经难以适用。随着科学的进步和技术的发展,通过计算机视觉技术检测鱼群的摄食规律已经成为了一种高效合理的方法。本文以镜鲤为实验对象,提出了一种基于鱼群图像的形状及纹理特征,结合BP神经网络与计算机视觉的鱼群摄食状态检测方法。本文的主要工作分为以下两个部分:1、采集鱼群摄食前后的视频序列,对视频进行截取,提取出鱼群摄食前后的图片,然后对这些图片进行背景减、灰度化、二值化等处理,提取目标图片的形状与纹理信息。本文方法以整个鱼群图像的特征信息作为输入量,避免了对单条鱼的行为追踪。与以前的方法相比,本文将水花、波纹等干扰因素作为图像纹理信息的一部分作为输入量,避免了这些因素所造成的不利影响,进一步简化了运算复杂度。2、本文中不仅考虑了图像的纹理信息,而且进一步结合了图像的形状特征,将两个特征共同作为输入量,结合BP神经网络对鱼群的摄食行为进行检测。文章中提取了鱼群图像的熵、逆差矩和形状参数三个特征量,分别利用逆差矩与熵和形状参数与熵作为BP神经网络的输入量,对鱼群的摄食状态进行检测识别。结果显示,与单一的基于纹理特征的检测方法相比,本文方法的准确率达到98%,而且与前者相比,本文所提出的方法在拟合度R~2更高,MSE值更小,能够更好地检测出鱼群的摄食行为变化。虽然利用单一的纹理特征时,运行时间会更短一些,但是在实际养殖中,对如此小的时间单位并不是要求的十分精确,所以本文方法可以更好地应用在鱼群的摄食状态检测中。