我国海水养殖业规模庞大,养殖生物病害泛滥的问题时有发生,给养殖户带来了严重的经济损失。以往病害发生时主要依靠人工现场诊断,养殖户仅凭个人经验和盲目用药容易延误病情,专业技术人员匮乏的现状也使得养殖生物病害不能得到及时诊治。众多的权威机构、科研院所和涉渔单位各自收录了大量海水养殖病害数据,其中蕴含的许多有价值信息可以借助大数据、深度学习等技术进行充分挖掘和利用,可以根据症状快速确定病害并提供科学的诊治方法,从而降低养殖风险,促进海水养殖业的建设与发展。本文提出基于Hadoop技术的海水养殖病害诊断大数据平台,并以HDFS、MapReduce、HBase等核心组件为基础,梳理了大数据平台框架下的病害数据处理流程,广泛收集病害数据并深入挖掘海量病害数据内部蕴含的信息。鉴于传统图像识别技术难以设计出精确完备的图像分类特征的问题,本文以GoogLeNet卷积神经网络为基础研发出一套病害诊断模型,使用卷积分解、归一化方法、h-Swish激活函数对其中的Inception结构进行改良,在节省网络参数、提升识别精度的同时提高了训练速度。为优化模型拟合过程,本文采用批归一化防止梯度爆炸,运用Dropout和数据增强防止过拟合,使用迁移学习进行预训练以减少低级特征的提取时间,最终实现快速准确诊断海水养殖病害的目标。根据病害诊断的业务需求,本文对海水养殖病害诊断大数据平台的功能模块进行总体规划,并基于先进软件开发技术对平台的具体功能进行建设,实现大数据技术在海水养殖病害诊断方面的应用。海水养殖病害诊断大数据平台能够充分利用海量病害数据资源,深入分析并有效发挥病害数据的潜在价值,为海水养殖业提供科学周到的病害诊断服务,推动海水养殖业又好又快发展。