淡水鱼是我国极其重要的一种水产品,其前处理加工方面的技术是影响我国水产品加工业现代化的进程的主要因素之一。去鱼头鱼尾工序是淡水鱼前处理加工的首要环节,利用该工序可实现鱼头鱼尾与鱼体的相互分离,减少鱼体浪费率,同时增加了淡水鱼深加工的效益。本研究结合目前国内主要由人工处理鱼头鱼尾的现状,以鲢鱼为研究对象,利用MATLAB结合图像处理算法,以Faster RCNN目标检测技术为基础实现了鱼头鱼尾的准确定位,构建了淡水鱼鱼头鱼尾智能定位系统。该系统为研制不同尺寸的淡水鱼自动化去鱼头鱼尾机械加工设备提供了关键技术,同时也对促进渔业加工现代化具有深远意义。主要研究内容及结论如下:（1）对国内外淡水鱼前处理加工装备的发展趋势和应用现状进行了研究与分析,结合机器视觉技术的优势,设计了整体研究方案,并提出了可应用于去鱼头鱼尾装置上的的鱼头鱼尾定位技术,为提高淡水鱼加工设备的自动化、智能化程度提供了技术支持。（2）搭建了图像采集系统。图像采集系统主要分为两个部分,硬件与软件部分。硬件部分根据实际采集图像的需要和淡水鱼的鱼体长宽范围进行选型,其中主要是对工业相机、镜头、光源、计算机等的选择。通过各项参数对比,最终决定选择海康机器人MV-CA050-20GM工业面阵相机、MVL-KF1228M-12MP镜头、MV-LBES-300-300-W开孔面光源以及处理器为Intel core i9-10900K CPU的台式计算机。软件部分选用了MATLAB,利用MATLAB功能丰富的应用工具箱完成了Alexnet、Faster RCNN模型的迁移学习和定位系统的搭建。（3）提出了基于颜色和形状的图像分割技术与模板匹配技术。本文在对淡水鱼图像进行灰度化、去噪、形态学等预处理后,研究对比了对目前几种典型的图像处理方法;颜色、形状特征是鱼尾有别于其他部位的显著特征,本文采用了图像分割、模板（特征）匹配两类常见的图像处理方式提取鱼尾图像,图像分割最短时间可达16.57s,模板（特征）匹配最短时间达2.97s。（4）研究了基于深度学习的鱼头鱼尾检测技术。本文采用Faster RCNN网络模型,同时为防止发生小样本过拟合现象,采用了数据增强和迁移学习的方式。介绍了经典的卷积神经网络Alexnet、RCNN系列目标检测技术和迁移学习,详细分析了Faster RCNN算法原理。本文通过将Alexnet、迁移学习和Faster RCNN相结合应用于淡水鱼鱼头鱼尾定位检测技术中。制作了一份小样本数据集,按6:2:2的比例随机分为训练集、验证集和测试集。通过不断调整迭代周期确定了最佳训练模型参数。对有280张图像的测试集检测结果为:鱼头检测模型识别正确率达96.42%,平均每幅图像检测时间为0.63s,鱼尾检测模型识别正确率达95.7%,平均每幅图像检测时间为0.7s。（5）利用MATLAB中Appdesign工具箱研究设计了淡水鱼鱼头鱼尾智能定位系统。分析了整个系统的需求,设计了各个模块的主要功能、操作方式。另外,本文采用了图像标定的方法,将图像处理后得到的平面像素坐标转变成实际立体三维坐标。系统既能清晰的看到鱼头鱼尾是否准确使用矩形框框出定位,同时也可以将鱼头鱼尾的切割点坐标直观的显示,界面简洁、操作方便。通过系统最终输出的鱼头鱼尾切割点坐标,可使去鱼头鱼尾装置接收切割位置信息后自动完成去鱼头鱼尾作业,为自动去鱼头鱼尾提供了技术支持,也为淡水鱼前处理加工设备的自动化、智能化奠定了理论基础。