本文以仿生机器鱼为研究对象,针对机器鱼的分布式并行深度学习识别方式展开研究。机器鱼的目标识别与识别控制主要是将机器鱼从复杂的环境背景中提取出来,根据周围环境及其速度、位姿等相关信息对机器鱼发出控制信号。由于背景的复杂性、周围光照变化、目标运动等诸多因素,目标识别面临的问题很多。在目前的机器鱼目标识别算法中,基于颜色信息、兴趣点检测的算法是常用的识别算法,但实验表明,基于颜色和对比度的方法易受到光照及水面不规则反光的影响。基于现有的实验环境与条件,采用全局视觉摄像头和深度学习技术,开展多仿生机器鱼的目标识别与控制研究。主要研究成果可归纳如下:第一,基于现有的全局视觉机器鱼控制平台,通过二次开发,稳定采集获取机器鱼的运动图像,并根据模板匹配方式识别定位机器鱼的方式获取机器鱼坐标,并且根据串口获取机器鱼的方向挡位和速度挡位作为识别标签,为深度学习识别机器鱼做好数据准备。第二,使用深度学习的方式对机器鱼的运动图像进行卷积神经网络训练,使之达到基本识别机器鱼位姿的训练目标。第三,开展多机分布式并行的计算存储实验,通过多台较低硬件配置机器组合而成的分布式计算集群,提高单机的机器鱼图像识别时效性和准确率。分布式并行方案采用HDFS形式实现,同时结合Thift的RPC远程调用模式,及卷积神经网络结构特点适合模型并行训练,实现了多机并行和网络并行的形式。提高了实验室的计算资源利用率和优化了机器鱼识别模型,为后续实现在线训练识别机器鱼的模型提供了基本条件。第四,将分布式并行识别模块改造替换原全局视觉机器鱼控制平台的图像识别和模板匹配的定位识别部分。程序优化和识别效率的加速效果明显。第五,设计实现了全新的分布式并行在线训练和识别控制平台系统的实验。系统实验由全局视觉识别控制Server,分布式并行识别模块两部分组成,其中全局视觉识别控制Server由之前的全局视觉机器鱼控制平台中进行剥离,而分布式并行识别模块由多机分布式并行的计算存储部分提供。第六,开展机器鱼和水球,多机器鱼控制的深度学习识别控制实验研究,取得预期实验效果,训练之后的深度学习机器鱼识别网络模型具有很强的特征抽象能力,能精确识别定位运动机器鱼的位姿,而且能应对不同光照变化的环境下和其它环境因素的影响。最后,总结了本文完成的相关实验和实际研究,并且指出基于云计算的仿生机器鱼分布式并行识别控制平台下一步的研究方向和应用前景。