智慧化养殖已成为我国鱼类养殖产业发展的核心动力,这种智能养殖模式将逐渐代替以往的传统养殖模式,使水产养殖业进入智慧时代。鱼类养殖密度是养殖过程中的关键因素,过小会影响鱼类产值和经济效益,过大会影响水体水质和鱼类生长性能。鱼类实例分割是实现精细化养殖的重要前提,可为鱼类体长、体质量以及生长状态评估提供依据。然而,现阶段养殖鱼类图像实例分割网络由于水下环境复杂、养殖密度不均匀,很难精准分割出图中不同尺度的鱼体,导致图像分割精度低,小目标特征信息以及边缘信息的提取和融合能力差,在分割鱼体准确率和网络结构上还有一定提升空间。为了解决上述水下图像存在的问题,本文展开了基于深度学习的鱼体图像精准切割研究工作,主要内容如下:（1）提出基于可变形卷积（Deformable Convolutional Networks,DCN）特征提取的实例分割模型。针对养殖环境下红鳍东方鲀图像相似水下背景信息干扰大,导致鱼类图像分割精度低的问题,提出了融合可变形卷积的实例分割模型D-SOLOv2。为了提高模型的特征提取能力和分割精度,在骨干网络中融合可变形卷积,扩大模型的感受野,从而与不同鱼的形状、大小等几何形变更为贴近,提升网络分割能力。为了验证本文提出改进策略的有效性,设计对比实验,实验使用养殖红鳍东方鲀专属数据集,为了扩大数据集样本,通过数据增强丰富数据集,防止模型过拟合。实验结果表明,改进后的D-SOLOv2模型平均分割精度为64.4%,较原SOLOv2模型提高了2.9%,验证了可变形卷积对提高红鳍东方鲀分割精度的有效性。（2）提出融合SimAM注意力机制的小目标实例分割模型。针对因水下养殖密度大,鱼群遮挡重叠,小目标鱼体特征提取困难等导致小目标图像分割能力差、误检、漏检的问题,提出了融合SimAM注意力机制和可变形卷积的实例分割方法DS-SOLOv2。为了改善小目标图像特征提取能力,引入无参数注意力机制SimAM,在不增加网络模型参数和复杂度的条件下,让模型聚焦于红鳍东方鲀的关键信息,提高边界处的细节感知能力,增强模型对小目标识别精度。实验结果表明,改进后的DS-SOLOv2模型的平均精度为65.2%,提高了3.7%,小目标鱼体的分割精度为47.0%,验证了本文提出改进算法的有效性。（3）提出基于Tensor RT模型的优化部署方法。为使改进后的DS-SOLOv2模型更好应用于实际生活中,将DS-SOLOv2模型部署在边缘设备上,但由于模型网络参数大,导致在部署时的推断速度较慢。因此,本文基于Tensor RT框架对DS-SOLOv2模型进行网络层垂直融合和FP16低精度量化,优化网络结构并加速,提高性能减少内存需求。实验结果表明,改进后的模型经Tensor RT框架优化后,在不影响分割精度的情况下,推理速度提升了2.85倍。将Tensor RT优化后的模型部署到Jetson Nano中进行测试分析,优化后模型推理速度提高了0.91倍,以此验证本文提出的基于Tensor RT模型的优化部署方法具有网络参数量小、实时性强的优点,能够应对工厂化养殖过程中实时进行鱼类检测的任务。