在水产养殖中,获取养殖鱼类的种类和生长信息对精准饲喂、捕捞分级和养殖管理具有重要意义。而鱼的质量是反应生长状态最直观的信息。传统的质量获取通常是将鱼捕捞后进行人工称量,不仅费时费力,还会对鱼造成应激反应,影响鱼的正常生长。如何高效精准的获取鱼的质量对渔业养殖具有重要意义。随着机器视觉技术的快速发展,本文利用深度学习和双目视觉,以大口黑鲈（Micropterus salmoides）、鲫（Carassius auratus）、草鱼（Ctenopharyngodon idella）、乌鳢（Channa argus）和鲶（Silurus spp）5种常见淡水鱼为研究对象,对水下自由游动的鱼进行种类识别与体长质量估测方法研究,取得的研究成果如下:（1）以Faster R-CNN网络为基础,增加了关键点检测网络分支,构建了能够同时完成水下淡水鱼种类识别与关键点信息检测的Key Ponit R-CNN网络。通过水下图像采集平台在水下采集了大口黑鲈、鲫、草鱼、乌鳢和鲶5种淡水鱼的水下图像,对图像进行人工标注,完成淡水鱼水下图像数据集的构建。使用数据增强的方法对数据集进行扩充,并在扩充后的数据集上对Key Point R-CNN网络进行训练。Io U为0.5～0.95时,目标检测的m AP为89.4%,在筛除类别置信度低的检测结果后,种类识别的准确率可达到100%;Io U为0.5～0.95时,关键点检测的m AP为94.6%。（2）通过双目视觉对图像中的点进行三维重建,使用距离公式计算两点之间的长度,编写了双目视觉测量算法。通过测量标定板的标准尺寸分析了图像畸变对双目视觉测量算法的影响。结果表明,图像畸变矫正后测量算法的平均相对误差为1.92%,比原始图像的测量误差下降了1.58%。将Key Ponit R-CNN网络检测与双目视觉测量算法相结合,完成了水下淡水鱼体长估测算法。通过试验对水下淡水鱼体长估测算法进行验证。算法的估测结果与人工测量结果相比,大口黑鲈、鲫、草鱼、乌鳢和鲶的体长估测平均相对误差依次为5.6%、7.1%、6.0%、5.8%和5.8%。（3）通过采集大口黑鲈、鲫、草鱼、乌鳢、鲶的体长和质量信息,使用幂函数回归模型(2=(6(（7）构建了这5种鱼的质量估测模型,模型中(2为鱼的质量（g）,为鱼的体长（mm）。大口黑鲈质量估测模型为(2=1.715×10-63.502（~2=0.9877）;鲫质量估测模型为(2=3.163×10-53.023（~2=0.981）;草鱼质量估测模型为(2=3.755×10-52.89（~2=0.9956）;乌鳢质量估测模型为(2=1.036×10-53.056（~2=0.9991）;鲶质量估测模型为(2=1.153×10-63.372（~2=0.9963）。将水下淡水鱼种类识别与关键点信息检测、水下淡水鱼体长估测算法和5种鱼的质量估测模型相结合,完成了水下淡水鱼质量估测算法。并通过试验对水下淡水鱼质量估测算法进行验证。算法的估测结果与人工称量结果相比,大口黑鲈、鲫、草鱼、乌鳢和鲶的质量估测平均相对误差依次为17.8%、15.4%、14.6%、16.2%和17.5%。