循环水养殖条件下如何实现鱼类精准投喂不仅是生产管理上的难题,亦是实现福利化养殖需要解决的关键科学问题。本文以罗非鱼为研究对象,从实际生产角度出发,针对循环水养殖模式下的游泳型鱼类精准投喂的相关基础理论进行了探索。通过计算机视觉、图像处理和深度学习等技术手段分别对适用于循环水养殖游泳型鱼类过程中的被动式投喂、主动式投喂以及非投喂状态下的光福利问题进行了研究,其主要研究内容和结果如下:1.建立了两种适用于不同养殖环境的无损、经济且有效的精准量化方法用于鱼群投喂过程中的摄食活跃程度量化:1)借助于Lucas-Kanade光流和信息熵,利用鱼群自身摄食行为特征对鱼群整体摄食活跃程度进行量化;2)借助于改进动能模型,利用由鱼群摄食行为引起的水体流场变化特征对鱼群整体摄食活跃程度进行量化。实验结果表明,本章所建立的两种量化方法对于4种不同肠胃饱食指数(分别为 20.35±10、117.28±10、179.72±10、286.33±10)下的罗非鱼鱼群摄食活跃程度均有较好的量化效果,且性能优于其他主流的鱼群摄食活跃程度量化方法。此外,在上述研究基础上提出了针对单轮多次投喂策略的投喂量决策方程;分析表明,该决策方程对于循环水养殖游泳型鱼类过程中的高效投喂具有较强的理论指导作用。2.提出了 一种基于鱼群自发群体行为的摄食欲望表征方法。该方法综合利用鱼群离散度、相互作用力以及水体流场变化程度信息对鱼群的实时摄食欲望程度进行量化和表征。实验结果表明,该方法对于5种不同的摄食欲望程度(分别为0.01、0.52、1.28、2.26、2.92)均展现出了较好的表征效果,且其可靠性(最佳不匹配率为2.19±0.81%)和可行性也都得到了证明。3.针对循环水养殖中具备表征鱼群饥饿程度的鱼群突发行为的监测,分别提出了适用于鱼群全局和局部突发行为的监测方法。对于鱼群全局突发行为的监测,借助于粒子平流方案和改进动能模型,相应方法可在无需对鱼群前景进行分割的前提下,利用鱼群空间分布和空间行为特征,实现鱼群突发聚集行为和逃散行为的监测。对于鱼群局部突发行为的监测,借助于粒子平流方案、改进运动影响力图和递归神经网络,相应方法亦可在无需对鱼群前景进行分割的前提下,利用鱼群运动时空特征,实现三种典型的鱼群局部突发行为的监测。实验结果表明,相较于其他主流算法,本研究所建立的两种鱼群突发行为监测方法对于相应的鱼群突发行为都展现出了更佳的监测效果(全局突发行为监测方法:平均准确率97.20± 1.23%、平均漏检率0.61 ±0.08%;局部突发行为监测方法:平均检测准确率98.91%、平均定位准确率91.67%、平均识别准确率89.89%),且其性能和可行性也都得到了论证。4.构建了一种基于改进深度卷积生成对抗网络的活鱼识别半监督学习模型,用于循环水养殖模式下的鱼群突发行为中的相关活鱼个体“身份”量化。该模型从实际生产角度出发,充分考虑了实际水产养殖应用中常见的样本分辨率有限、样本可标记性低以及活鱼成像姿态多样化等问题,并最终实现可利用极少标记样本对实验数据库中的活鱼图像进行较高精度识别的功能。实验结果表明,相较于多种基于卷积神经网络的活鱼识别方法以及当前基于生成对抗网络的主流识别方法,本研究所建立模型无论在活鱼识别精度上还是在训练速度上都展现出了更加优异的性能:针对5%、10%、15%标记样本比例的FishRecognitionGround-Truth数据库和25%、50%和75%标记样本比例的Croatian Fish数据库,其识别准确率分别为 80.52%、81.66%、83.07%和 65.13%、78.72%、82.95%。5.借助于t-SNE和PCA数据可视化技术对可表征养殖对象光谱偏好的高维数据进行了降维分析。实验结果表明,罗非鱼在不同饥饿程度下对于光谱的偏好不尽相同;该结果将为循环水养殖中养殖鱼类在非投喂状态下的光福利保障提供理论依据。