海洋底栖生物（marine benthos）是海洋生物中的重要生态类群,是海洋生态环境中不可缺少的重要组成部分。由于海底环境复杂,生物组成多样,海洋底栖生物检测与计数一直是海洋生物目标检测领域重要的研究方向。对海洋底栖生物进行检测与分析,能够帮助研究者剖析生态群落的组成与演变,分析生物的群居习性、繁衍规律等特征,有利于更好地保护深海生态环境,促进海洋生态可持续发展。本文研究分析了基于卷积神经网络的特征提取机制和基于Transformer的特征提取机制,对比了单阶段目标检测算法和两阶段目标检测算法的优缺点,针对海洋底栖生物的静态图片数据与动态视频数据提出了不同的定量检测方案,为实现海洋底栖生物定量识别奠定了基础。针对海洋底栖生物的生存环境和群居习性等特点,本文提出了定量检测算法YOLOT（You Only Look Once with Transformer）,以此为基础研究了多目标跟踪算法,采用基于检测的深度学习模型,结合无迹卡尔曼滤波和匈牙利算法提出了单假设跟踪匹配框架UD-Deep SORT。通过实验验证,本文提出的目标检测模型在静态图片数据中提高了海洋底栖生物检测计数的准确性,同时在视频数据中提高了目标匹配的准确度,减少了因遮挡产生的计数与跟踪误差。本文的主要研究工作如下:（1）针对水中悬浮粒子和小分子等因素导致图像出现的色偏和模糊等问题,本文研究了水下成像与大气成像模型的异同点,使用带颜色恢复的Retinex算法MSRCR（Multiscale Retinex with Color Restoration）和基于卷积神经网络的Dehaze Net去雾模型对实验数据集进行预处理,为后续的数据标注和实验提供支持。（2）针对海洋底栖生物静态图片数据中的生物定量识别问题,本文提出了海洋底栖生物定量识别检测算法YOLOT。为了降低复杂海底环境对检测的影响,提高主干网络的特征提取能力,引入了基于注意力机制的特征提取模块;设计了基于Transformer的特征融合结构;引入了基于高斯概率分布的正负样本选择策略,降低了正负样本不均衡对网络训练阶段的影响,提高了网络的训练效率。经过实验表明,YOLOT在URPC数据集中的检测准确率达到了84.44%,比YOLOv4提高了9.09%,能够准确地实现海洋底栖生物的定量识别。（3）针对海洋底栖生物动态视频数据中的生物定量识别问题,本文研究了多目标跟踪算法,提出了基于Deep SORT的目标跟踪计数算法UD-Deep SORT。算法引入无迹卡尔曼滤波算法,提升了算法的轨迹预测精度,使用基于DIOU（Distance-Intersection Over Union）的锚框匹配度计算方法,优化了预测框与检测框的匹配机制。实验表明,本文提出的目标跟踪模型UD-Deep SORT的跟踪准确率比Deep SORT提高了2.58%,对研究海洋底栖生物分布具有较高的应用价值。