鱼道作为水利水电工程建设中一项关键的水下生物保护措施,对水生物的顺利洄游至关重要。随着筑坝流域的水生物种丰度急剧下降,鱼道的实际过鱼效果开始受到社会各界的极大关注和重视。我国的鱼道建设现处于初级阶段,鱼道实际过鱼效果检测更是难以得到有力的数据支撑,导致鱼道优化设计无法获得科学的参考依据。为准确、高效地获得鱼道实际过鱼效果中重要检测数据——过鱼种类,本文通过基于自定义特征和基于深度学习的两种鱼类识别方法对实验条件下的模拟鱼道过鱼视频进行鱼类自动分类,两种方法都取得了较好的分类效果,前者准确率为93.33%,后者准确率为94.71%,可为鱼道工程中过鱼自动分类提供方法指导。最后,根据实际鱼道工程中对过鱼分类软件系统的性能需求,本文以基于自定义特征的鱼道过鱼自动识别方法为核心算法完成对基于机器视觉的鱼道过鱼自动分类软件系统的开发。本文所做的主要工作及成果如下:1)设计了一种从低质量的鱼道过鱼视频图像中提取标准化鱼类运动目标图像的算法。针对本次实验条件下拍摄的光线明显不足且混有少量微粒杂质的鱼类视频图像,本文首先使用高斯滤波和直方图均衡化对鱼类视频图像进行高质量复原,然后利用混合高斯建模和面积阈值法实现鱼类运动目标分割,最后运用质心法对有效区域内的鱼类目标进行跟踪,并将跟踪过程中鱼类目标最小包围矩形面积最大时的当前帧图像作为标准化鱼类运动目标图像。2)提出一种以鱼体头部夹角和鱼体高长比为特征的基于自定义特征的鱼道过鱼自动识别方法。针对鱼道过鱼视频中鱼体形状、水下环境的多变性,本文通过对第二章中提取的标准化鱼类运动目标二值化图像进行鱼体规范化处理和长度统一化处理,最终获得鱼体二值化侧面轮廓图像,再采用相关算法计算鱼体头部夹角、鱼体尾柄高与尾柄中点到鱼头夹角顶点之间长度比例(高长比),并以鱼体头部夹角和高长比为特征值建立鱼类识别分类模型,实验结果表明该模型对鱼道过鱼识别的准确率为93.33%。3)提出一种以改进的VGG16＿YH卷积神经网络为模型、并以Mini-batch+SDG双通道训练为策略的基于深度学习的鱼道过鱼自动识别方法。针对传统的VGG16网络模型在目标识别过程中显露出的参数巨量、收敛速度慢且易过拟合等缺点,本文通过提高样本训练集质量,优化传统的VGG16卷积神经网络模型,再通过基于Mini-batch+SDG的双通道网络训练策略对本次过鱼识别实验进行参数模型训练,通过验证实验得到基于深度学习的鱼道过鱼自动识别准确率为94.71%。