中国是海洋大国,拥有丰富的海洋资源。在海洋资源开发的过程中,海洋工程活动如船运、海底隧道、海上桥梁及海上风电场建设等将产生大量的人为水下噪声。水下噪声引起的水下声环境场变化会对鱼群生命活动和生命健康产生重大影响。研究水下噪声对鱼群影响时,多是通过人眼观察并记录鱼群在声刺激下受惊跳出水面等较明显的异常行为,未能量化分析噪声干扰对鱼群的影响。对于运动轨迹、速度变化等不明显的受水下噪声影响所产生的异常行为关注程度也不够高。监测鱼群在声刺激下轨迹的变化,包括方向的突变、速度大小的改变等运动参数,是了解鱼群对不同声刺激强度下受影响程度的有效方法。而这些运动参数的获取建立在准确追踪鱼群运动轨迹的基础之上。使用计算机视觉处理鱼群视频获取鱼群轨迹已得到了应用,处理过程准确高效,但现有的鱼群监测系统多针对特定鱼类提出,不易迁移到其他种类的鱼群追踪上。本文针对科学研究及水产养殖中常见的中小体型鱼群。首先,从简单易实现、且能迁移应用至不同鱼群种类的角度出发对鱼群视频轨迹追踪进行研究;而后将深度学习应用于鱼群视频轨迹追踪中以实现更高的准确率、鲁棒性和实时性。主要研究内容和结果如下:1、针对现有的鱼群视频轨迹追踪系统大多是针对斑马鱼等特定鱼类的体表灰度特征提出,很难迁移到其他鱼类追踪的问题,本文提出了一种基于运动特征的鱼群视频轨迹追踪算法。利用鱼体在二维平面游动时鱼体俯视角的面积几乎保持不变、鱼体游动方向短时间（如连续两帧）内不可能发生突变这两条特性,结合最近邻法进行鱼群追踪。并采用图像腐蚀的方法,解决鱼体之间相互遮挡的问题。将所提算法分别应用于包含10条小鲫鱼苗及1 1条7月龄左右大黄鱼在两种不同复杂度的场景下进行鱼群视频轨迹追踪时,追踪准确率分别达到了 95%和90%以上,验证所提算法能应用于不同鱼类游动时的轨迹追踪。2、基于运动特征的追踪方法在应用于较复杂场景下的追踪准确率不够高。为了解决上述问题,使用深度学习方法对鱼群视频轨迹进行快速准确的追踪。深度学习在目标检测和目标追踪领域有出色的表现,具有高准确率、实时性和避免手动提取特征的特点。论文采用了基于深度学习的目标检测-数据关联鱼群视频轨迹追踪方法,且首次将深度学习方法应用在鱼群视频轨迹追踪研究中的数据关联部分。首先,分别建立了大黄鱼和鲫鱼的鱼群游动图像数据集,比较了 YOLOv5和SSD两种目标检测模型在数据集训练后的检测效果。最终选择检测准确率更高、检测速度更快的YOLOv5算法完成目标检测部分,获取鱼群位置信息。为了提升检测准确率,采用数据增强的方法扩充了数据集,为数据关联部分提供了可靠的输入。在数据关联部分,使用DeepSORT算法将YOLOv5检测得到的鱼群位置信息在时间轴上关联起来得到鱼群轨迹。将所提算法分别应用于包含10条小鲫鱼苗及1 1条7月龄左右大黄鱼在两种不同复杂度的场景下鱼群视频追踪时,追踪准确率分别达到了 98%和94%以上。针对水面反光、水底石块及鱼体遮挡等复杂问题,都有较好的追踪效果,且平均单帧处理时间仅为0.014s。实验结果表明,基于深度学习的方法能够用于鱼群视频的轨迹追踪,并且相较于所提出的基于运动特征的鱼群视频轨迹追踪方法,在追踪准确率和鲁棒性上都有提高,单帧处理时间能满足实时性需求。3、此外,为了方便相关研究者特别是工程应用人员的使用,基于Python语言和PyQt开发平台制作了鱼群视频轨迹追踪前端图形用户界面,能快捷实现鱼群视频检测和追踪,以及鱼群图片检测等功能。