我国海洋国土面积广阔,拥有极其丰富的海洋资源。渔业资源作为海洋资源的的重要组成部分,对鱼类的检测识别研究能够更好地辅助调查捕捞工作及水源水质监测工作,并为增强渔业资源保护与管理能力提供理论依据。近年来水下视频图像领域的研究不断深入,为鱼类的检测识别研究提供了一定的借鉴作用。然而水下视频图像背景复杂,鱼类形态变化万千,使得快速准确定位和识别水下环境中的鱼类目标面临诸多挑战。现存检测识别方法大都基于有监督的学习,需要消耗大量的人力物力。随着人工智能的发展,深度学习以强大的内部网络自动提取特征能力和高精度的识别效果在图像识别领域掀起热潮,这为鱼类检测识别提供了新思路和新方法。本文在研究深度学习相关理论后,为水下鱼类视频图像构建了卷积神经网络来促进捕捞监管系统的智能化,具体内容包括以下几个方面:(1)本文收集并制作了草金鱼、地图鱼、黄鳍鲳等30种共4737张包含复杂背景的淡水鱼类数据集Fish30Image?并采用残差网络迁移学习方法对Fish30Image数据集和包含23种共27 370张的海水鱼类数据集Fish4Knowledge进行训练,之后经过softmax分类器得到最终的鱼种分类结果?对23种鱼类进行识别试验的结果显示,固定Image Net数据集上Res Net-50预训练模型的conv1层和conv2层参数,微调高层参数的方法能够取得最好的鱼类识别效果。且在公开的Fish4Knowledge数据集上,该方法取得了最高的识别准确率,平均识别精度达到99.61%?与其他卷积神经网络方法的对比结果显示,该方法在Fish4Knowledge和Fish30Image数据集上的识别精度和时间性能均具有较大优势?(2)为了克服水下鱼类图像样本量不足、以及小目标鱼体存在检测难度大、准确率低等问题,本文提出了一种改进Retina Net的多目标鱼体检测方法。该方法基于深度网络迁移学习技术,利用深度可分离卷积结合Retina Net网络学习弱小鱼类目标的多种尺度特征,从而减少网络参数,增强检测的鲁棒性。在增加数据集复杂度的情况下,通过对比3种深度可分离卷积在Retina Net网络上的配置方案可知,在Retina Net网络P6层上使用深度可分离卷积替换标准卷积取得了最优的鱼类检测效果,平均检测精度达到了96.07%。(3)基于以上研究和工作,本文设计并实现了基于Android平台的移动端水下鱼类识别系统,并通过实际场景对系统进行了测试。测试结果表明,该系统能够实现水下鱼类的准确识别,且运行速度快,使用方便。