集约化水产养殖中,鱼类数量的可靠估算对于水产养殖业至关重要。传统鱼类计数主要依靠人工统计,费时费力且容易对鱼造成应激伤害。基于机器视觉的水下检测方法不会对水体环境造成污染和破坏,且不会对鱼类的正常行为产生影响。本文提出一种基于改进DeepSORT的水下鱼类计数方法,对采集到的水下鱼类视频,提出（1）面向混浊水域的水下鱼类识别方法,并通过实验选出本文实验场景下的最佳水下图像增强方法;（2）基于改进DeepSORT跟踪算法的水下鱼类计数模型。本文的主要内容如下:（1）在水生生态学领域,与目前用于监测和评估数量的人工统计分析方法相比,机器视觉提供了一种速度更快、成本更低、准确率更高的替代方法。远洋海水养殖的水质良好,海水能见度高,目前主流研究的数据集大多采集于海水环境或者自养鱼缸下。为了解决淡水或近海领域浑浊水下环境的鱼类计数问题,本文提出面向浑浊水下环境的鱼类检测方法,包括:1)水下图像增强技术可分为传统的图像增强算法和基于神经网络的图像增强算法,本文各选取了若干种具有代表性的增强算法,对采集到的数据集分别进行增强处理,结合主观视觉感受和图像增强评价指标,分析每种增强算法的优势和缺点;2)对每种增强算法处理后的数据集,采用YOLOv4进行训练,根据mAP数值,选出本文特定场景下最佳的水下图像增强算法。（2）DeepSORT是基于检测进行实时多目标跟踪的经典算法,在进行跟踪时,DeepSORT采用Faster R-CNN对目标进行检测,虽然检测精度较高,但预测速度有所欠缺,本文提出基于改进DeepSORT水下鱼类跟踪计数的方法,包括:1)将DeepSORT算法的检测器替换为YOLOv4,保证检测精度的同时提升检测速度;2)在级联匹配中用完全交并比（CIOU）替换交并比（IOU）,提升目标匹配的准确度,实现更高准确度的水下鱼类计数。通过实验发现,（1）在选取的8种图像增强方法中,结合主观视觉感受、信息熵、UCIQE、YOLOv4训练所得mAP,DCP图像增强方法综合表现最好,且训练所得权重文件用于DeepSORT水下跟踪鱼类目标时,计数结果相对于其增强方法最接近实际结果。（2）在跟踪计数模块,用改进后的DeepSORT对水下视频的鱼类进行跟踪计数,结果表明,跟踪计数效果良好,在20s时长的视频上计数平均精度达到91.67%,检测速度为每帧20.83ms,适用于对水下鱼类视频的批处理。