水质安全关乎国家安危以及社会经济发展,营造良好的生态环境是我们每一个人应尽的责任。目前的水质状态分析主要采用生物式监测分析法,依靠视觉方法提取水中指示物的特征信息,人为的依据先验知识塑造特征因子,将众多特征因子进行组合形成水质状态评价特征数据库,再通过构建分类模型辨别水质状态。但这些方法存在很大的弊端,人为构造特征速度慢且数量有限,并且这些特征的非线性表达能力欠佳难以对水质状态做出足够准确的分析。为了解决这些问题本文研究了基于卷积神经网络与鱼类轨迹特征的水质异常状态分析的问题,利用卷积神经网络对水中指示物的原始状态进行特征提取从而进行水质状态分析。研究内容主要包括:1.采用生物式监测方法,利用计算机视觉理论消除图像畸变和噪声信号,采取多种滤波算法对鱼体运动信息图像进行预处理;采用YOLO算法对运动的鱼体目标进行检测;在检测到目标的前提下使用Tracking-Learning-Detection算法进行跟踪,记录位置变更信息提取鱼体运动轨迹,为水质状态分析奠定基础。2.研究了密集连接方式(DenseNet)的卷积神经网络水质分类模型。设计了端到端的特征提取网络,并提出了有效的水质状态分析方法,采用交叉验证(cross-validation)的方式测试算法准确性;设置多组环境下的平行试验,与其他方法的水质评价模型进行对比得出:新的模型在分类准确度、特征提取方面具有显著的优势。3.设计了有效的模型评价和更新方式,利用标准模型Softmax函数的输出做反馈能够更加直观的判断当前模型与实际结果的偏差,根据输出结果的偏差及时进行模型校正,重新训练出符合当前实际状况的水质状态分析模型。通过对比实验结果发现:基于反馈自校正系统的水质分类模型可以很好的对模型的偏差进行评估,并能立即进行调整,以恢复水质分类模型的作业精度。最后从多个角度分析了现有模型和本文提出的方法之间的优劣。