大坝的修建会导致河流纵向连通性消失,产生大坝阻隔效应,影响上下游种群基因交流、降低河流生物多样性,尤其对洄游性鱼类产生的负面影响最为直接。近些年,水利水电工程逐步开始建设包括鱼道作为大坝上下游的连接通道,以协助鱼类洄游产卵、促进上下游种群基于交流。鱼道运行后,需要开展鱼道过鱼监测,用以检验鱼道设计方案的有效性并优化运行管理方式。传统的过鱼监测方法难以同时兼顾到种类和数量两个生物指标。随着图像识别方法在诸多领域的应用,本文通过发挥该技术方法的强大学习能力,实现鱼类特征值动态匹配,为智能识别鱼类数量和种类奠定了技术基础;为鱼道长期运行效果监测,建设智能化鱼道提供了可能。因此,本文开展了基于图像识别的过鱼目标检测研究,主要研究内容和研究结果如下:第一,构建某流域主要鱼类数据集,通过python语言编写自动采集模块,实现图像自动采集,并进行了人工对比验证,实现了鱼类图像的自动化采集,提高了数据图像的采集效率,确保了采集质量,解决人工采集效率低,样本量少等问题。在拍摄设备的比选中,得出拍摄仪器置于水体外会有更好的拍摄效果。采用Retinex图像增强算法解决质量退化、细节模糊等问题,提高了检测准确率,并达到增加样本多样性和平衡数据量的目的,并制作成PASCAL VOC2007数据集用于目标检测网络训练。第二,通过Faster R-CNN算法和YOLOv4算法对采集的数据集进行了神经网络训练,并建立评价指标体系,最后结合工程现场实际需求以及对各项评价指标的分析结果,YOLOv4模型的检测性能明显优于Faster R-CNN,更加贴合过鱼目标检测需求。第三,为某水电站鱼道工程搭建智能运行监测平台,对鱼道进行实时检测,通过智能、高效的视频采集方式输入到YOLOv4算法进行种类识别,利用YOLOv4目标检测算法结合卡尔曼滤波和匈牙利算法对鱼类进行多目标动态跟踪,解决传统鱼道过鱼监测方法计数的缺陷。工程应用表明,智能运行监测平台获得了高效、良好的监测效果,其可实时获取过鱼目标的种类、数量,减少了对鱼类的扰动,并满足工程中动态连续、实时性监测的需求。本文基于深度学习图像识别理论构建了鱼道过鱼效果监测方法,在智能识别过鱼目标种类、自动统计过鱼数量,取得了一定的成果,推进了鱼道智能化监测进程,解决过度依赖现场人员技术水平、过鱼目标数量统计难度大的难点,降低运行管理成本,实现鱼道过鱼长期监测。