在我国鱼类多样性资源保护及现代渔业生产中,鱼类种群信息采集与生长环境监测技术相对落后,设计开发一套通过机器视觉采集种群信息并实现生长环境监测自动化的设备可提升我国鱼类生物多样性保护能力,推动渔业现代化发展进程。首先,本文采用卷积神经网络对鱼类进行识别,可获取固定流域的鱼类物种信息,以防止生物入侵,从而改善渔业养殖环境。然后,研究了目标检测算法以获取鱼类的种类和位置,实现端到端的检测,为后续水下设备定位追踪、路径规划等技术的实现提供支持。最后,本文在所研究基于深度学习（Deep Learning,DL）的鱼类识别和检测模型基础上,设计并开发了鱼类识别检测系统。具体研究内容如下:（1）针对鱼类识别问题,研究了AlexNet、MobileNet、ShuffleNet卷积神经网络,实现固定流域鱼类种群监测。再采用迁移学习（Transfer Learning,TL）技术解决模型训练样本少,计算资源消耗大的问题,建立了基于TL的ShuffleNet模型,进一步提高了识别正确率。为了解决ShuffleNet模型训练过程中参数不能够自适应确定的问题,采用粒子群算法（Particle Swarm Optimization,PSO）将模型的损失函数作为适应度函数,对批处理大小和学习率两个参数进行优化,建立了基于TL的PSO-ShuffleNet模型。实验表明,Alex Net的正确率为0.57,Mobile Net的正确率为0.69,ShuffleNet的正确率为0.73,基于TL的ShuffleNet的正确率为0.81,基于TL的PSO-ShuffleNet的正确率为0.90,该模型性能最优。（2）针对鱼类目标定位问题,研究了SSD、YOLOv3、Faster-RCNN目标检测算法以获取鱼类目标位置信息,为后续水下设备定位追踪、路径规划等技术的实现提供支持。通过研究发现Faster-RCNN收敛性好,模型的m AP最高,但特征提取部分结构复杂且消耗计算资源大,模型训练时批处理大小不具备自适应性,因而通过改变特征提取网络结构并采用PSO优化训练过程对其进行改进。实验结果表明,SSD模型的m AP为0.44;YOLOv3网络波动大,模型m AP为0.55;Faster-RCNN收敛性较好,模型的m AP为0.75,检测速度为10FPS;Faster-RCNN改进模型收敛性好,网络稳定性高,模型的m AP为0.63,检测速度为23FPS。所以,Faster-RCNN改进模型的性能满足系统研究要求。（3）采用嵌入式技术和PyQt5平台设计开发了鱼类识别检测系统的上下位机。下位机包含推进控制模块、数据采集模块和系统供电模块;上位机包含注册登录模块、识别定位巡航模块、手动控制模块、图像采集模块、网络训练模块和环境监测模块。实验表明,本设计研发的鱼类识别检测系统能够实现自动化渔业信息的采集。