全世界范围内海洋渔业资源总量连年减少,海洋鱼类保护和管理工作备受关注。为了合理地、可持续地开发海洋渔业资源,设计出高效准确的鱼类检测识别系统意义重大。传统的鱼类检测识别方法主要依赖人工设计的特征,但通常这些特征是不具有通用性的,并且人工特征的设计需要专家级别的经验。为解决上述问题,本文针对船载电子监控场景中的鱼类识别任务提出了基于深度学习的检测识别方案,主要工作包含以下两个方面:首先,本文提出了一种基于多尺度特征融合的鱼类检测实时方案,具体工作内容可概述如下三点:首先,本文在SSD检测算法的基础上设计了多尺度特征融合模块,使得网络深层包含上下文高级语义信息的特征和浅层包含目标更多细节信息的高分辨率特征有效融合,在网络内部构建多尺度特征金字塔,以此有效提高了鱼类目标检测效果(特别是小目标的改善尤为明显)。其次,本文在预测层的各个特征图上针对性地设计了不同尺度和不同数量的先验框,合理分配了计算资源的同时很好地解决了鱼类目标小所带来的检测问题。最后,针对困难样本的误检率高和检测精度不佳的问题,本文通过结合交叉熵损失函数和焦点损失函数的优点,使得训练过程中的难易样本都得到充分训练,从而使学习到的模型更加鲁棒。实验表明本文提出的基于多尺度特征融合的鱼类检测算法在精度和效率都取得了较好的效果,m AP达到了83.08%,处理效率为每张样本24.54ms。其次,为了进一步提高鱼类识别的准确率,本文提出了一种两阶段鱼类识别方案。该方案包含两部分:区域建议模块和图像识别模块,针对一张图像,区域建议模块给出目标候选区域,然后将所有候选区域利用图像识别模块进行分类识别。区域建议模块主要借鉴Faster R-CNN算法中的RPN模块。在图像识别模块的设计中,首先针对鱼类识别问题设计了特有的Inception模块,然后结合Inception模块和ResNet网络设计了图像识别网络(Inception-ResNet)。实验表明,本文设计的两阶段鱼类识别方案可以提高鱼类识别准确率,top-1达到91.48%。综上所述,本文提出的基于多尺度特征融合的鱼类检测方案能达到较好的检测效果,同时可以满足实时处理样本;两阶段鱼类识别方案能够进一步提高鱼类识别准确率。