海洋鱼类是重要的海洋资源,是人类重要的蛋白质摄入来源。在对海洋鱼类资源进行研究和开发的过程中,需要进行水下鱼类的种类识别以及鱼类的图像分割。由于水下鱼类种类繁多,形状大小各不相同导致的水下鱼类识别的精度低、泛化性差以及分割的效果差、分割位置不准确等问题。随着机器学习的快速发展,采用图像增强和深度学习算法为上述问题的解决提供了有效途径。本文利用深度学习方法进行水下鱼类的检测与分类的研究,取得的研究成果如下:（1）针对由于水下环境中存在诸多干扰因素导致收集到的水下鱼类图像质量较差的问题,本文提出一种改进型ACE（Automatic Color Enhancement）算法的图像快速增强算法。在ACE算法的基础上,通过逐级四分解的方法来降低计算的复杂度,采用更小的滤波窗口收集细节信息,并将逐步增强后的图像进行合成,得到与原尺寸大小相同的图像。根据水下鱼类数据集进行的仿真实验结果表明,相较于ACE算法以及其他图像增强算法,该方法在有效提高水下图像质量的同时,降低了图像增强算法的计算量,为后续水下鱼类图像分割与分类识别奠定了良好的基础。（2）为了提取深层水下鱼类特征信息,使分割位置更准确,本文提出了ARD（ACE-R-MCN-Deep）-PSPNet网络模型。该模型是基于PSPNet（Pyramid Scene Parsing Network）模型的水下鱼类图像分割算法,利用Res Net101网络作为特征提取网络,在空间金字塔池化模块中引入深度可分离卷积,并加入R-MCN（Resnet Multi Convolutional Network）模块,改进损失函数使分割位置更准确。实验结果表明,改进后的模型在各个指标上都有明显提升。（3）在水下环境中存在光照、水纹以及复杂背景等干扰,导致识别精度较低,针对这一问题,本文提出了基于PSA-Dense Net模型的鱼类识别算法。在Dense Net121网络模型的基础上,通过迁移学习进行预训练,将紧密块中3×3卷积核替换为PSA（Pyramid Split Attention）注意力模块,并改进损失函数使得模型性能更加良好。通过六种水下鱼类图像进行试验,实验结果表明,改进后的模型识别精确度明显高于其他网络。（4）在Pycharm开发环境下,通过Py Qt5设计了水下鱼类图像增强、种类识别以及分割软件。试验结果表明,该软件可以实现对水下鱼类图像增强、图像分割和种类识别功能。