我国是鱼类产品生产大国,在鱼产品加工流程和生产设备方面却发展不平衡,与发达国家存在较大差距,克服我国在鱼类产品精深加工方面的薄弱环节,对实现鱼产品智能化加工意义重大。目前对鱼类图像分割、识别处理是近几年的研究热点,本文针对星鳗鱼不同大小类别切片图像进行分割、识别研究,主要研究内容如下:(1)在鱼切片图像分割方面,建立了不同大小类别的星鳗鱼切片图像采集系统,对鱼切片图像进行对比度增强、降噪预处理。在图像分割方面采用SLIC超像素分割和NJW谱聚类相结合算法进行目标分割,在SLIC算法中,通过对生成超像素进行区域连通增强,使边界提取更加准确;在谱聚类算法中,利用SSE提前判断输入聚类数目,提高了算法整体用时速度和鱼切片目标分割的准确性。分割效果采用边界召回率和分割准确度评价指标进行分析,完成分割目标准确提取,为后续识别提供保障。(2)在鱼切片图像识别方面,通过预处理增强图像和二值分割图像,构建机器视觉识别系统。对增强去噪后的图像提取R、G、B颜色分量,二值分割图像提取CLELAB空间的L分量,求出不同类别图像各个颜色分量的均值,建立相应的不同类别鱼切片图像阈值区间的识别模型。实验训练采用不同类别大、中、小各50张切片图像,再对每种类别各20张图片建立测试集来进行图像识别;通过对不同大小类别图像建立识别试验数据集,以深度学习中的YOLOV3算法为基础进行识别验证。在改进YOLOV3方面,首先针对采集到鱼切片图像分辨率较高的问题,提升了原YOLOV3算法输入分辨率以适应分辨率高的鱼切片图像,之后将YOLOV3的特征提取网络加以改进,改变预测数量来适用鱼切片图像中的单目标检测,最后利用多尺度预测与空间变换网络相结合,使原算法的空间变换能力得到增强。实验结果表明:本文通过SLIC超像素分割和谱聚类分割算法在鱼切片图像分割方面,边界召回率达到了 95.48%,分割准确率达到了 90.27%。两项评价指标高于其他对比分割算法,实现了分割目标边界准确性和分割时间效率的提升;在后续图像识别方面通过改进YOLOV3算法与其他网络模型识别方法进行对比验证,算法在测试集的召回率达到了89.46%,准确率达到了 94.17%。实现了不同类别星鳗鱼切片图像的有效识别,为后续鱼体深度加工研究奠定了基础。