有效地识别水下各种鱼类目标具有重要的实际意义和理论价值。鱼类生存环境复杂,其图像类间相似度高、类内差异性大,并受光照、角度、姿态等的影响较大,且图像分辨率较低,这些因素使得鱼类识别成为一项具有挑战的任务。针对上述难点,提出了三种不同的基于双线性网络的鱼类图像分类模型,并实现了良好的分类效果。(1)提出了基于空间变换双线性网络的细粒度鱼类图像分类网络。该模型包含空间变换网络和双线性网络两部分,其中空间变换网络作为注意力机制,目的是去除复杂背景,选择图像中感兴趣的目标区域;双线性网络提取图像的双线性特征,其对目标中具有判别性的特定位置有较强的响应,从而可有效识别种类。该模型可以进行端到端的训练,在两个数据集上的实验验证了其有效性与先进性。(2)提出了一种基于选择性卷积描述符的鱼类图像分类网络。该网络与方法(1)思路相似,都是先选择图像中的目标区域,然后再利用双线性网络分类,但是提取目标区域所用的方法不同。具体地,该方法根据深度特征图无监督地选择有用的卷积描述符定位图像中的目标对象,将其他部分视为背景和噪音,不需要利用边界框、图像标签或其他额外的学习。(3)针对真实环境下鱼类图像分辨率低的特点,提出了一种超分辨率和分类相结合的网络。首先利用一种先进的图像超分辨率技术来丰富图像中对分类有重要意义的细节内容,然后再进行分类。大量实验结果验证了所提三个算法的先进性和有效性。