鱼类的检测与识别,对水产养殖管理、水域环境监控、渔业资源研究等领域有着重要研究意义及价值。传统的鱼类检测与识别主要利用人工设计特征和机器学习分类器结合的方式,而人工特征存在着特征提取困难、缺乏通用性、非常耗时等缺陷。近年来,深度学习在图像分类领域取得了巨大成就,有效地提升了图像检测与识别的精度,由于深度学习具备有自主学习的能力,并且检测与识别的准确率高、鲁棒性强。目前,YOLOv3算法在目标检测领域展现出了良好的性能,得到了学术界和工业界的广泛关注。因此,本文提出了一种基于YOLOv3算法的水下鱼类目标的检测与识别模型。本文的主要研究工作如下:(1)针对YOLOv3算法多尺度检测下不同尺度特征之间的不一致性的问题,研究采用自适应空间特征融合(Adaptively Spatial Feature Fusion,ASFF)方法,在空间上过滤冲突信息来抑制不一致性。对于某一层的特征,首先将其它层的特征整合并调整为相同分辨率,然后通过训练,自适应地学习各尺度特征映射的融合空间权重以找到最佳融合方式。另外,针对YOLOv3算法先验框的生成方法K-means聚类结果不稳定的问题,通过采用更先进的聚类方法以生成更有效的先验框,同时距离度量采用IOU代替传统的欧氏距离作为评判标准;(2)针对YOLOv3算法预测框回归损失函数定位精度不高的问题,研究采用完全IOU(Complete IOU,CIOU)loss作为预测框回归损失函数,综合考虑预测框与真实框之间的距离、重叠率以及尺度等,更加符合预测框回归的机制,使得预测框回归变得更加稳定。另外,针对YOLOv3算法对尺度多样性目标检测性能较差的问题,通过采用空间金字塔池化(Spatial Pyramid Pooling,SPP)模块,能够提取具有不同感受野的多尺度深层特征,并通过将它们串联在特征图的通道维度中来融合。实验结果验证了本文基于改进YOLOv3算法的水下鱼类目标的检测与识别模型的有效性。