近年来,随着鳌虾养殖规模快速增长,其人工繁殖相关的智能化技术需求也在不断增长。其中,对孵化场中虾卵的准确计数是鳌虾人工孵化过程中的基本要求。准确的数量信息能够给养殖场管理者提供丰富的信息反馈,如母虾抱卵数、孵化率、存活率等,能够帮助管理者实现更加精细和有效的放养管理。然而,目前在孵化场中的虾卵计数主要由相关人员进行人工打样和人工清点。人工方式必然费时费力,容易出错,而且在操作方面的一致性和连续性较差。另一方面,以卷积神经网络（CNN）为主的深度学习技术正在快速发展,在图像处理、图像识别等方面取得优异表现。相对于传统目标计数方法,基于CNN的目标计数算法在处理速度和计数精度上都有着较大的优势。依据当前发展趋势,本文开展了基于CNN的虾卵计数算法研究,并解决了一些实际应用的相关问题,具体如下:首先,本文详细阐述了目标计数方面的研究意义和研究现状,介绍了CNN和生成对抗网络（GAN）的基本概念和相关原理,并对几种经典的CNN模型进行了分析和对比。其次,鉴于虾卵计数相关数据集匮乏的现状,制作了一个澳洲红螯螯虾的虾卵数据集,其中包括450幅实地拍摄的虾卵图像,共包含了约272,000颗准确标注的虾卵。为虾卵相关的后续研究提供了研究材料。此外,本文还提出了一种基于生成对抗网络（GAN）的虾卵数据集生成方法,通过这种算法免除了数据集标注过程中的人力耗费,并提高了数据集标注的精度。然后,为了实现对虾卵位置和轮廓等低级特征的保持,本文提出了一种基于残差模块的虾卵计数模型（RECNet）。整个模型采用端到端的编码器-解码器结构,在编码器部分以残差模块为基础,实现对虾卵位置和轮廓等低级信息的保持。此外,本文还设计了一种基于VGG-16的虾卵计数模型（SECNet）。该模型直接截取VGG-16作为前端,以卷积层穿插转置卷积作为后端,使模型具有更大的感受野,以实现对输入图像特征的有效提取。接着,对两个模型在我们所收集的真实虾卵数据集与合成数据集上进行了一系列训练和对比实验。实验结果表明,本文所提出的方法和模型在密集场景下的虾卵计数方面具有良好的性能。最后,在本文所提出的方法和模型的基础上,设计搭建了一套十分简便的虾卵自动计数系统。通过在实际应用场景的测试,验证了本文所提出的基于CNN的虾卵计数算法具有较高的可行性和准确性。