对于视觉功能相关的基因和药物筛查对于探究视觉功能障碍机理及修复手段具有重要意义。而对于基因和药物的筛查通常依赖于实验动物模型。斑马鱼由于其繁殖速度快,发育周期短,且与人类具有较高的基因同源性等优势,是最常被用于基因和药物筛查的实验动物模型之一。基于斑马鱼在行为学实验中对不同刺激的响应表现,可以迅速、准确地判断斑马鱼相应感官的功能状态,从而实现高效率、高通量的筛查。因此,通过检测斑马鱼在光照刺激条件下的惊吓反应行为,可以实现对斑马鱼视觉功能的筛查。在对斑马鱼惊吓反应视频数据的处理方面,传统的帧减法和背景减法均存在较为明显的缺陷。本研究创新性地将目前被广泛用于图像处理的基于卷积神经网络的深度学习算法应用于斑马鱼惊吓反应的视频数据处理,在成功克服了传统算法缺陷的同时,显著提高了对于斑马鱼惊吓反应数据的处理和分析效率,以及该数据处理和分析过程的自动化程度。本研究设计、研发了一套能够通过自动拍摄和跟踪匹配算法高效率检测并分析斑马鱼在光照刺激条件下所出现的惊吓反应的系统。在硬件方面,该系统包含能够放置20条左右的斑马鱼幼鱼的直径为16厘米的圆盘,以及能够减少白光光照干扰的短波滤光片。同时,在系统外部设有黑色不透光盖子,用于增强亮暗对比,并减少外界光照对于斑马鱼幼鱼的刺激。另外,该系统能够通过继电器控制多台相机同时、同步工作,从而提高检测效率。在软件方面,该系统采用了基于深度学习网络的跟踪匹配算法,利用匈牙利匹配和卡尔曼滤波对斑马鱼进行逐条跟踪匹配,再通过Matlab软件对所采集的斑马鱼位置数据进行分析,继而得到斑马鱼在光照刺激条件下,由于惊吓反应所导致的运动速度变化的曲线本研究通过分析斑马鱼的运动数据,不仅揭示了斑马鱼在光照刺激条件下惊吓反应的规律,而且比较了基于YOLOv3模型和Mask R-CNN模型的两种跟踪匹配算法对于斑马鱼位置和运动轨迹的识别效果。