近年来,我国水产养殖业得到迅速发展,已成为我国国民经济的重要组成部分,利用信息技术对养殖业进行有效的管理是水产养殖业发展的需要和趋势。作为水产养殖的重点,鱼类养殖的信息化管理更具代表性。鱼群目标检测可以评估鱼类的数量,进而提供相应的数据来支持鱼类养殖的管理。而人工检测鱼群效率低下,无法满足较大规模的养殖管理需求,此时就需要一种高效自动化的鱼群检测方法。目前,目标检测算法主要基于一些公开数据集和陆地采集图像进行研究,对于水下鱼群图像,由于受到水下图像对比度较低、鱼群聚集而相互遮挡等问题的影响,很难对鱼群检测获得较高的平均精确度（Average Precision,AP）。因此,本文对实际养殖场环境下的鱼群检测进行研究,使用检测精度与检测速度处于最佳平衡的YOLOv4算法作为研究的基准。主要创新点如下:（1）特征提取部分,本文提出一种多尺度记忆特征提取网络,具体是使用本文提出的特征记忆器（Feature Memorizer,FM）对CSPDarknet53网络提取到的多级特征进行精炼提取和记忆保留,增强鱼的轮廓和纹理特征的传递和保留,弥补了CSPDarknet53网络在由浅至深的多级特征提取与传递过程中发生鱼的特征信息丢失问题,更好地提取输入鱼群图像中鱼的特征信息。实验表明,使用本文的特征提取网络,鱼群检测的AP值从YOLOv4算法的73.50%提高到74.79%。（2）多尺度特征融合部分,本文借鉴图像语义分割网络Ex Fuse中的语义嵌入分支,提出一种改进的语义嵌入分支,将多个深层特征的语义信息都引入到浅层特征中,克服了路径聚合网络只使用相邻层语义信息导致融合的信息不平衡的问题;同时考虑到鱼群位置预测需要足够的细节信息,还将四倍下采样特征层的细节信息通过卷积下采样引入到深层特征中。实验表明,本文的方法有效地增强了多尺度特征融合的程度,提升了特征的表达能力,可以更好地预测鱼群目标,使鱼群检测的AP值进一步提高到76.13%。（3）预测后处理部分,本文针对原DIo U＿NMS算法存在遮挡鱼群检测效果不好的问题,提出一种改进的DIo U＿NMS算法来进行重复预测框的抑制处理,补偿了鱼群遮挡时出现被遮挡的鱼漏检问题,提高鱼群检测的召回率,进而使AP值达到77.99%。