随着近年来我国养殖业规模的不断扩大,由于技术人员的缺乏而导致养殖户盲目用药造成严重经济损失的问题也日益严重,因此,寻找一种合适的养殖病害检测方法,对于减轻养殖户负担,降低养殖风险,减少经济损失有着重要意义,本文利用目前成熟的图像识别技术,结合海水养殖病害数据,提出了一种基于模型融合的海洋水产养殖病害识别方法。本文的主要工作及成果如下:（1）首先对海洋病害图像数据集中的病害特征进行预处理,为了解决模型训练中的特征丢失问题,本文通过方向梯度直方图和gabor滤波器对原始数据集进行特征提取,得到养殖虾类病害部分的轮廓和纹理等方面的病害特征,再利用HOG和SURF对鱼类病害数据集进行特征提取。（2）针对海水养殖的病害识别问题,本文首先对数据集进行扩增以及统一尺寸处理,再通过改进轻量级卷积神经网络SqueezeNet来适应养殖虾类病害数据集的训练,结合网络预训练,批量归一化等方法对模型进行优化,最终得到一个轻量级的识别率较高的神经网络模型Shrimp-SqueezeNet,并通过实验证明该模型具有较好的识别精度。（3）为了进一步提升模型对海水养殖的病害识别精度。本文结合AlexNet、VGGNet、GoogleNet、ResNet四种神经网络模型,借鉴集成学习的思想,通过多数表决法对模型进行融合,提出了一种基于卷积神经网络模型融合的虾类病害识别方法。实验证明融合后的模型更加稳定、可靠,对各种病害的识别率更高。实验采用的数据集由相关公司提供,该数据集囊括了中国水产科学研究学院黄海水研究所研究收录的数据。优秀的数据资源为研究海洋水产养殖病害提供了可靠的基础。首先,对原始数据集进行特征预处理,将处理后的数据集与原数据集同时训练同一神经网络,结果证明经过处理后的模型识别率更高。其次,经过改进轻量级神经网络模型SqueezeNet,训练出识别率较高,且计算量较小的模型。为了进一步提高模型的病害识别率。对多个网络模型进行融合,相比与单一模型,模型融合进一步提高了病害识别率,且稳定性较强。