鱼类及其相关产品是人类饮食食谱上蛋白质的重要来源之一,渔业的健康发展与人们的生活密切相关。优良的鱼种资源是渔业可以持续健康和快速发展的基础,育种和优选是渔业养殖过程的关键环节。鱼苗的优选除了依靠一些生化指标外,鱼苗的表型数据也是鱼种优选的重要参考指标。目前鱼育种的研究机构多采用人工测量方法获取鱼苗的表型数据,这个过程费时费力且易出错,同时难以获得全面的表型数据。为了帮助研究人员快速准确的测定鱼苗的表型数据,同时减少测定过程中的人力和时间消耗,本文以斑点叉尾鮰为研究对象,基于深度学习算法,实现水中鱼苗表型数据的快速测定。斑点叉尾鮰育种优选时需要考虑7个表型数据,包含体长,全长,头长,体高,尾柄长,尾柄高和体厚数据,为了能够快速和准确的测定上述表型数据,本文设计了一种基于深度学习的鱼类表型数据测量方法。论文的主要研究内容如下:一、基于深度学习方法构建了鱼检测算法,可实时提取出鮰鱼在侧视图和俯视图中的坐标位置,结合改进版的残差注意力机制,特征金字塔结构和CIo U损失函数提升了鱼检测的精度。二、基于检测算法得到的鮰鱼在侧视图和俯视图中的图像,定义了鮰鱼在侧视图和俯视图中的19个关键点,这些关键点用于构建鮰鱼的空间骨架。然后构建基于Hourglass Net网络的关键点定位深度学习模型,实现鮰鱼图像关键点的定位,并利用鱼体掩码提升了鱼身特定关键点定位的精度。三、基于侧视图和俯视图的关键点坐标数值,建立了三维坐标空间,利用了分段积分的思想和比例参数,获取了鱼的真实表型数据。实验结果表明,本文提出的测量方法在体长和全长的平均相对误差上能达到4%以内的精度,同时还能实现其他表现数据的测量。整个测量系统对于单条鮰鱼的测量时间约为1s。本文提出的测量方法也可满足其他动物的表型数据测定,具备良好的拓展性。