我国是渔业大国,水产养殖已经得到了快速的发展。在养殖环境方面,循环水养殖因其节能高效,正逐渐取代传统养殖模式。目前,随着图像处理技术的发展与神经网络技术的推广,视觉感知技术已被应用于许多领域。在水产养殖中,利用视觉感知技术对鱼类行为进行监测和分析已经成为研究领域的热点。但是,目前的研究中视觉感知技术仅应用于理想的实验环境下,在工厂化循环水养殖系统中相关的研究较少,对鱼类行为特征分析的研究也很少涉及。针对以上情况,本文提出了基于视觉感知技术的鱼类行为辨别方法的研究。它弥补了过去人工观察和经验判断进行鱼群行为监测主观性强,准确度低的缺点。其主要研究内容和结果如下:1.辨别鱼类异常行为是养殖健康监测中的一项重要内容。针对养殖作业时人工巡检效率低下问题,本文结合视觉感知技术,提出一种用于判断养殖鱼类集群行为中异常轨迹的方法,该方法将深度学习与鱼类行为有效结合在一起,通过YOLO算法进行鱼类识别,同时基于SORT算法对鱼群进行实时跟踪并绘制鱼群游动轨迹线,之后利用鱼类群游特性进行聚类分析,并以之对游动异常进行量化处理与辨别。2.针对目前实际养殖场景中缺少摄食活跃度量化的研究,提出了一种适用于循环水养殖工厂的鱼群摄食活跃度表征方法。该方法利用了鱼群平均速度、离散度信息对鱼群实时的摄食活跃度进行量化和表征,并利用Deep SOCIAL算法进行鱼群密度可视化。3.针对红鳍东方鲀养殖过程中的攻击行为辨别问题,提出了一种基于YOLOv5旋转检测模型的攻击行为识别方法。该方法通过角度离散化、旋转目标损失函数定义等相关技术,设计了基于旋转矩形框的鱼类目标检测模型,并结合红鳍东方鲀实际攻击行为特征,以轴线角度进行攻击行为判定。最终,以实际养殖图像为数据集,验证了本文所提的鱼类行为监测方法。结果表明,本文提出的基于视觉感知技术的鱼类行为辨别方法研究能够有效地辨别鱼群游动中的异常轨迹,且相比原目标追踪算法,漏检、误检率更低,效果更好。该辨别方法还能够准确地量化出摄食前后的游动速度、离散度等变化和可视化鱼群的密度分布图。且在红鳍东方鲀的攻击行为鉴别中,该方法能有效地计算鱼群距离信息与角度信息,使养殖人员及时获悉。