水产养殖行业对中国的经济、就业以及出口有着重要的贡献。目前绝大多数的水产养殖单位采取池塘养殖方式,并采用传统的人为捕捞和手动测量方法监控被养殖鱼类的生长状况,这种人工方式不仅难以获取充足的数据,还会消耗不容忽视的人力资源,并且容易对养殖鱼群的生长造成损害。在以上问题的驱使下,通过应用水下视觉智能的非接触式方法进行鱼类尺寸测量,高效、大量且准确地获取被养殖鱼类的生长状况信息,成了广大水产养殖单位的重点需求。本文围绕基于水下视觉智能的鱼群尺寸非接触式测量问题展开一系列的研究,主要内容如下:（1）作为输入图像的预处理步骤,解决水下图像在成像过程中产生的模糊问题,以及双目成像系统的标定和校正。实现水下图像清晰化算法,通过基于Swin IR结构的图像清晰化模型,实现水下图像的高清还原。实现双目摄像机的标定,并通过标定参数校正双目图像,使其符合极线约束。经过清晰化和校正的图像作为后续基于视觉智能的鱼类生长状况监测模块的输入,有助于后续模块提取更加准确的信息,得到更为可靠的监测结果。（2）针对基于水下视觉智能的水下鱼类尺寸非接触式测量问题,提出一种结合双目视觉、目标检测、关键点检测的鱼类尺寸测量方法,实现了低成本且高效的非接触式鱼类尺寸测量。在所提出的方法中,在足量数据采集与训练的基础上,通过基于Faster R-CNN的目标检测网络解决鱼类定位问题,并通过Stacked Hourglass网络实现带位置约束的关键点检测模型,根据双目摄像机的成像原理,将鱼身关键点重投影到三维空间,并根据三维空间的关键点坐标计算鱼类尺寸信息。实验验证,所提出的方法尺寸测量准确度高,在不同场景下适应性好,且便于部署,能够作为水产养殖场优化人力资源、提高养殖效率的优选方案。（3）针对鱼类在水下的运动轨迹跟踪问题,以根据跟踪结果优化鱼类尺寸测量值为目的,提出一种结合深度特征的目标跟踪算法,实现了水下环境中鱼类的目标跟踪。结合连续帧内的鱼类目标跟踪所得到的额外信息,进一步提升了鱼类尺寸测量的准确度。所提算法中,应用目标检测模块输出的检测结果定位连续帧中的鱼类,并基于SORT算法预测目标的运动轨迹,通过关键点检测网络的中间特征判别跟踪对象的一致性。在得到连续帧目标跟踪结果后,对同一目标的尺寸测量值取最近区间内的中位数,以得到更加可靠的尺寸测量结果。实验验证,所提出的目标跟踪方法能够在连续帧内准确对多个目标进行跟踪,经过目标跟踪补正后,鱼类尺寸测量误差能够进一步减小。