微塑料污染日益成为一个令人关注的话题。在水环境中,微小的塑料碎片会被微生物携带迁移进入到食物链,不知不觉中危害着人类的身体健康。微纤维是微塑料的主要形态,也是微塑料研究中的重要对象。但由于传统的识别微纤维方法需要昂贵的器材和经验丰富的专业人士,严重影响到微纤维研究的进度与成果,其次,通过人工识别微纤维的准确率大大降低。因此本课题是将深度学习应用到微纤维识别中,研究如何有效学习到微纤维特征,提高水体微纤维识别率。本文构建了两种微纤维图像识别算法,能够有效提高水体微纤维识别效果。第一,为了提高水体微纤维识别效果,同时更好地集中注意力来学习微纤维的细节信息,构建了 一种水体微纤维图像识别的MobileNetV2算法。针对微纤维的识别,考虑到尺寸、缠绕形状等因素,在特征提取部分采用特征重构策略,利用全局平均池化获取全局感受野,多层全连接建立通道间依赖性,并加权完成微纤维特征重构。为加强微纤维宽度信息,获取良好细节信息的特征区域,采用池化融合策略对微纤维特征进行不同尺度的下采样,使网络更好地学习微纤维特征信息。第二,为了更好地获取需要微纤维特征的重要局部信息,进一步提高微纤维识别率,构建了一种深度特征融合与重构的微纤维识别算法。由于微纤维粒径较小,为增强关键的细节信息,融合卷积特征与深度可分离卷积特征。针对深层网络分辨性较低的问题,在通道和空间维度上重构特征,同时,原始特征图与重构后的特征图进行加权操作,增强重要特征信息的指向性,学习更为重要的特征信息,提升微纤维识别效率。通过网络训练、实验结果、对比实验和特征可视化比较分析证明算法对于水体微纤维图像有较好的识别效果,将注意力集中于微纤维关键信息处,有利于网络有效且稳定地学习到微纤维重要信息。水体微纤维图像识别的MobileNetV2算法的准确率达到了97.96%,与原MobileNetV2网络比较提高了2.54%。深度特征融合与重构的微纤维识别算法的准确率达到了98.77%。同时,与其它经典网络相比,召回率、精准率和F值有效提高,误识率和漏识率大大降低。