近年来,水产捕捞产量日益增长,海洋渔业资源的发展得到了国家越来越广泛的关注,如何采用更智能、更自动化的方式对捕捞后的鱼类进行处理是一个亟待解决的问题。传统的水产捕捞与分类多为粗放型流水线模式,以人工观察为主,简单的机器操作为辅,养殖户继续遵循传统的水产养殖方法,仅凭经验管理水产品的分级销售。随着人口老龄化导致的人工成本升高,传统的检测分类方法中又面临着劳动力的大量消耗和效率低下的问题,后续的销售成本也在逐级提高。科技的进步和人工智能时代的来临使得机器学习逐渐在图像处理领域发挥出巨大的作用,成为了目标检测与分类的主流方式。基于当前研究背景,本文需要研究并解决的核心问题有两个,一是目标检测的效率问题。系统的运行和图像的识别过程会耗费大量的时间,需选用合适的算法模型进行优化才能满足系统的实时性需求。二是目标检测的准确性。传统的鱼类分拣系统通常选用传送带进行资源的传输,但待检测目标的种类多样、姿态各异、移动速度快。算法需有较高的可靠性和稳定性去处理采集到的图片,并将误差率控制在微小的范围内,保证输出数据的正确性。本文基于机器视觉技术设计了一种鱼类体征识别系统代替人工劳动力,达到能够利用摄像头捕捉实时图像、采集鱼体体征数据并分类的目的。文章首先分析了研究课题的背景和意义,对机器视觉在海洋生物目标检测方面的国内外发展现状进行综述,然后根据实际的应用场景对系统框架进行设计,为解决上述提出的两个问题,分别提出使用两种不同的技术路线,对算法模型进行详细的原理分析并作出相应的优化。组建传感器网络,搭建模拟实验平台,进行不同模型下的数据论证与分析工作。主要工作内容如下:（1）为解决鱼类图像检测的效率问题,针对经典边缘检测Canny算法易受噪声影响和边缘容易误检的问题,利用非线性滤波有效保存边缘并增加Sobel算子梯度方向,采用优化后的Canny算法对目标的边缘进行检测并提取轮廓,进而获取鱼类体征的真实数据。（2）为解决鱼类图像检测的准确度问题,使用Faster R-CNN深度学习算法,VGG16网络作为Backbone提升体征检测的精度问题。由于VGG16的网络模型参数较多、模型训练速度慢,本文提出利用Mobilenet V2网络替换VGG16,在微弱影响准确性的同时减少模型的训练参数,提高系统运行的速度。（3）搭建硬件平台,模拟真实的工业分拣环境,分别对传统Canny算法和优化后的Canny算法模型、VGG16作为主干特征提取网络和Mobilenet V2作为主干特征提取网络、数据增强前后的测量结果进行详细论证与分析,从不同维度分析算法的优劣。最终,改进后的Canny算法的识别误差率为4.62%,较传统的测量结果提高3.38%。VGG16网络的测量平均误差率为2.59%,Mobilenet V2网络的测量平均误差率为3.19%,在仅损失0.6%的精度下,Mobilenet V2减少了网络训练的参数,其效率和精度符合识别系统的需求。