我国是海洋渔业的大国,随着渔业相关产业的发展,其对我国国民经济收入愈发重要,其中对水下鱼类的检测和识别,在水产养殖、水体监控、渔业资源研究等方面,都有着重要的研究价值。传统的鱼类检测方法,往往是通过人工的方式,对水下拍摄的视频或者图像中的鱼类进行检测和识别;或者是通过将鱼从水中取出,到光线良好的实验室环境进行提取和识别。这种方式不仅需要大量的人力物力,还需要负责检测的人员具有一定的知识储备以及鱼类研究的经验,往往效率很低,达不到预期的效果。而将鱼类剥离水体的方法,虽然可以更好的进行特征提取,但失去了其水中活动的实际效果,很难用到真实的生产环境中。如今,计算机视觉技术在水下鱼类视频中的实际应用飞速发展,出现了越来越多的算法替代人工的方法对鱼类进行目标检测。可以通过实际拍摄的水下鱼类活动的视频或图像,使用这类型的目标检测算法,对实际生产环境中的鱼类进行目标检测和识别。不仅不需要大量人工操作,而且可以做到无人监控的实时检测。但由于实际生产环境中,拍摄的水下视频或者图像质量,受到水体环境、光线照射以及拍摄设备等多种条件的影响,常出现场景阴暗、目标鱼类模糊不清、水体环境杂质较多等情况,导致拍摄效果欠佳,目标检测任务困难。针对上述问题,本文提出了基于GMG背景去除和PLS分类器水下鱼类目标检测方法,对水下视频中的鱼类进行目标检测。而对于其中夜晚视频中鱼类目标检测效果不佳的部分,提出了一种首先使用MSRCP算法对原始图像进行增强,再基于Cascade R-CNN模型进行改进框架的水下鱼类目标检测方法。本文的主要工作和成果如下:（1）通过拍摄水下视频数据,分别制作了视频和图像两种类型的数据集。使用水下摄像头,拍摄池塘中鱼类活动的视频数据,并按光照强度分为白天和夜晚两种不同的场景。视频总时长为270分钟,文件大小为18.1G其中白天视频100分钟,夜晚视频100分钟,白天和夜晚的混合视频70分钟。同时,根据固定的帧数截取捕获的视频并转换成图片,共计10800张图像,分辨率为720*270。把其中9000张处理为训练集,1800张处理为测试集,并使用Lab Image对图像中的鱼类进行标注,制作成实验所需要的XML格式。（2）本文采用GMG背景去除算法和PLS分类器对水下视频中的鱼类进行目标检测。首先,将收集到的视频数据集处理为帧格式,并将其默认的RGB格式转换为HSI格式。使用中值滤波器方法,对帧的亮度部分进行去噪,再使用GMG背景去除方法,分离当前帧的前景和背景。另外,本文分别提取了局部二值模式（LBP）纹理特征以及灰度系数特征,输入到偏最小二乘（PLS）分类器,检测白天和夜晚两个不同场景下的鱼类。实验结果表明,利用该方法对鱼类进行目标检测的精度达96.89%。可以快速对视频中的鱼类进行目标检测,不需要人工检测。为水下资源的开发和利用进一步提供了理论基础。（3）对于夜晚水下拍摄的图像场景阴暗、模糊不清,使得后期目标检测的效果不佳的实验结果。本文采用MSRCP图像增强和改进的Cascade R-CNN模型对水下图片中的鱼类进行目标检测。首先针对夜晚水下图像,使用MSRCP算法进行图像增强,提高图像的色彩和清晰度,然后输入到Det NASNet主干网络进行网络训练和特征信息的提取,将提取的特征信息输入到Cascade R-CNN模型中,并使用Soft-NMS候选框优化算法对其中的RPN网络进行优化,实现了夜晚阴暗条件下鱼类的目标检测。实验结果表明,利用该方法对夜晚水下鱼类图像目标检测的查准率可达到95.81%,比原始的Cascade R-CNN方法提高了11.57%。该方法解决了夜间水下环境下图像退化和鱼目标重叠检测问题,实现了夜间水下鱼类目标的快速检测。