近年来,随着人们对海参、海胆、贝类等海珍品需求量的增加,海产养殖业取得蓬勃的发展。在海洋牧场建设领域,主要利用拉网或人工抓取的方式对水下环境中的海珍品进行捕捞,但上述方式存在劳动强度高、工作效率低及安全风险高等问题,因此研发一种能够自动识别、定位及抓取海珍品的水下机器人,对降低劳动强度、提高捕捞效率以及促进海洋牧场的智能化发展具有重大的意义。水下目标的精确检测是水下机器人实现自动化检测和抓取作业的基础,相较于陆地真实场景,水下环境更为复杂,并且受特殊成像原理的限制,水下传感器采集到的光学图像往往存在色偏、对比度低、特征模糊等质量退化问题,水下目标检测面临巨大的挑战。在上述背景下,本文对基于卷积神经网络的水下目标检测算法进行研究,以浅海海珍品为检测对象,设计并训练适应于水下环境的目标检测模型。本文主要工作如下:（1）针对水下光学图像存在色彩失真、对比度低等质量退化问题,提出基于SSD与图像增强算法的海珍品检测模型。在图像预处理阶段,采用带色彩恢复的多尺度视网膜算法处理目标数据集,使得增强后的图像更加接近真实地面场景下的图像,提高通用检测算法在水下场景中的泛化能力;在网络结构设计方面,在SSD原始结构的基础上增加细粒度检测头部,引入浅层高分辨率特征图形成更密集预测,降低网络漏检率;在网络训练阶段,针对目标类间样本数量差异大的问题,提出类加权损失函数平衡网络对不同类样本的训练难度,提升对于难类目标的检测精度。在URPU水下目标检测数据上进行详细实验,测试结果表明本文改进算法均值平均精度相较于基线网络提升5.9%,与经典目标检测算法相比具有更高的检测准确率。（2）针对传统基于Anchor的目标检测算法存在框冗余,网络内部正负样本不均衡的问题,将基于中心点检测的Center Net网络应用于海珍品检测任务。首先,采用人体姿态估计任务中的高分辨网络作为特征提取网络,因其内部始终维持高分辨率的特征,因而保留了图像中更准确的目标位置信息;其次,在特征提取网络后引入并行的瓶颈注意力模块,增强感兴趣区域特征,抑制无用背景或噪声信息;最后,设计特征融合模块组合多尺度特征图,以充分利用网络内部低层次位置信息与高层次语义信息。在URPU水下数据集上进行详细对比实验,本文改进算法检测精度更高,在水下目标检测任务上更具优势。在PASCAL VOC公开数据集上进行额外对比实验,本文改进算法同主流目标检测算法相比同样具有精度优势,表明本文改进算法的泛化能力。（3）针对传统目标检测网络参数量大难以部署到移动式及嵌入式设备,设计一种轻量级的海珍品检测网络,从骨干网络、颈部网络以及损失函数三个方面对YOLO v4网络进行改进。首先,采用轻量级Mobie Net v2网络作为骨干网络,引入深度可分离卷积代替传统标准卷积,降低网络参数量;其次,在颈部网络内部引入自适应空间特征融合模块,通过自适应学习各尺度特征的融合权重,保留有用的特征信息进行组合;最后,采用聚焦损失代替标准交叉熵损失,缓解网络内部正负样本不均衡问题。在URPU水下数据集上进行训练,该算法在维持较高精度的同时,模型大小、参数量及浮点运算量大幅降低,在实际应用中更具优势。