作为典型的浮游生物食性鱼类,鳙鱼在我国大部分水域均有分布,是池塘养殖和水库渔业的主要对象,在我国淡水养殖渔业中所占比重大,在保障优质水产品供给、促进渔民增收等方面发挥着举足轻重的作用。鳙鱼不仅具有较高的营养价值,同时,由于通常以水中的浮游动物、浮游植物为食,其对水质的改良具有积极作用,是维护生态平衡不可或缺的一部分。伴随着近年来国民经济取得的迅速发展,“吃得安全、吃得健康”成为大众日益关心的话题,越来越多的消费者对鳙鱼的品质提出了更高的要求。一方面,消费者希望能够食用“无污染、水质良好、无饲料喂养”的生态鳙鱼,却苦于无法对其进行鉴别,使得其在购买时往往心存疑虑;另一方面,企业在加大力度发展生态鳙鱼养殖的同时,也需要考虑如何消除在购买生态鳙鱼时,消费者心中存在的疑惑。因此,开展水库养殖的生态鳙鱼和池塘养殖的精养鳙鱼差异性识别的相关研究,显得尤为迫切,且具有重要的实际意义。针对鱼类识别问题,早期的研究主要结合计算机视觉技术和传统的机器学习算法,同时结合鱼的形状、纹理特征等进行了相关研究。近年来,越来越多的学者结合深度学习、迁移学习等技术进行了鱼类识别的相关研究并取得了较好的分类结果。然而,针对同种鱼类的来源追溯问题,相关研究依旧较少。本文在参考国内外鱼类识别技术研究现状的基础上,对鳙鱼识别过程中的关键问题进行了相关研究,在此基础上提出了一种鳙鱼识别方法,并基于该方法设计了一套鳙鱼识别原型系统。具体工作如下:第一、构建了鳙鱼数据采集系统。在对鳙鱼的各项指标数据进行充分分析的基础上,提出了较为完善的鳙鱼数据采集方式,并以此为依据构建了鳙鱼数据采集系统,利用该系统完成了水库生态鳙鱼和池塘精养鳙鱼精准分类实验数据的采集工作。第二、研究了鳙鱼图像的深度特征提取方法。在对鳙鱼识别过程深度特征提取算法进行充分分析的基础上,提出了一种鳙鱼图像深度特征提取方法。该方法将注意力机制融入卷积神经网络中,对鳙鱼图像特征通道重要性进行学习,将学习到的权重向量作用于卷积神经网络,提升算法性能的同时,也增强了模型的可解释性。第三、提出了一种基于多模型融合的鳙鱼识别方法。充分结合鳙鱼图像数据和各项指标数据,构建了一种基于多模型融合的鳙鱼识别模型,并通过实验验证了模型的有效性。该模型由深度神经网络以及鳙鱼图像深度特征提取模型组成。最终的分类结果由构建的两个模型加权后的输出构成。最后,研发了鳙鱼识别原型系统。在鳙鱼识别方法可行的基础上,对基于深度学习的鳙鱼识别原型系统进行设计。将整个系统分为数据采集和鳙鱼实时识别两个子系统,并分别对两者的整体框架和系统开发工作进行了相关阐述,说明了本文构建的模型具有一定的实用性。