随着生活水平的日益提高,人们对鱼产品的需求也越来越大,通过提高养殖密度来提高鱼产品养殖产量是解决该问题的有效方法之一。但高密度养殖也大大增加了鱼发生细菌、寄生虫感染的几率,因此如何实时掌握鱼的健康状态,以有效降低高密度养殖风险避免经济损失是鱼产品高密度养殖急需解决的问题。目前,工厂化水产养殖监测系统主要监控水中溶氧量、氨氮量、p H、温度等水质环境指标,而缺乏对摄食强度、运动状态和异常行为等能反映鱼健康状态的行为进行有效监控。为此,本文提出利用机器视觉对养殖鱼进行监测,从而达到实时掌握养殖鱼健康状态的目的,本论文的主要开展了以下几个方面的工作:（1）本文首先搭建了由近红外相机、红外补光灯以及计算机等组成的视觉监测系统,该系统能够满足养殖鱼夜晚监测的需求;然后,本文利用线性灰度变换和中值滤波对采集图像进行预处理,使图像更加清晰;最后,采用灰度相关匹配算法对采集图像中的养殖鱼实现了自动检测,算法的平均精确率为95.9%。（2）根据养殖鱼运动特点,本文提出了短时间间隔的连续两帧图像目标关联的三个条件并以此为基础提出了目标跟踪算法。本文利用目标跟踪算法和断裂轨迹连接方法有效实现了对养殖鱼目标的连续跟踪并实现了对养殖鱼的平均游速和平均加速度进行计算。（3）由于养殖鱼摄食过程中养殖池水面纹理会有明显的变化,本文提出利用支持向量机对摄食行为进行识别。为此,本文首先从养殖鱼摄食图像中提取了20维纹理特征,在对纹理特征进行数据归一化和降维处理后,为支持向量机选择合适的核函数并使用网格搜索算法优化核函数参数。然后,本文利用养殖鱼摄食图像数据集对支持向量机进行训练,实验测试表明本文提出的基于向量机的摄食行为识别算法的平均精确率、假负率和假正率分别为92.3%、7.34%和4.15%。此外,本文还利用纹理特征中的对比度对养殖鱼摄食强度进行了有效评估。（4）通过对养殖鱼死亡图像进行分析,本文采用灰度相关匹配算法实现死亡鱼的识别并根据识别结果对死亡鱼进行计数。实验表明,该识别算法的精确率平均值为100%、召回率平均值为97.5%以及F1值平均值为98.7%。