随着人们对水产品需求的不断提高,水产养殖规模不断扩大;同时物联网、机器视觉和深度学习等技术的应用使得鱼类养殖模式逐渐向智能化方向发展。在鱼类养殖过程中,合理控制饲料投喂量是节约养殖成本,提高经济效益的关键。目前鱼类饲料投喂方式主要为人工投喂和机械投喂,均难以依据鱼类生长情况和实际摄食信息做出相应调整,因此容易出现投喂不足或投喂过剩现象,影响鱼类养殖经济效益。通过研究鱼类摄食行为能够指导饲料投喂,但鱼类养殖环境复杂多变且难以控制,不同的养殖模式、多变的气候条件和人类活动等因素会影响鱼类摄食行为的识别,基于鱼类摄食行为的智能投喂仍存在一些困难。针对上述情况,本文通过研究水面大口黑鲈（Micropterus salmoides）摄食行为,设计了一种基于机器视觉的智能决策投饵系统,以实现室外圈养鲈鱼的智能投喂。本文主要研究工作和结论如下:（1）大口黑鲈食欲等级划分。在“零排放”圈养模式下搭建水上视频采集系统,采集鱼群摄食过程中的视频。通过结合生长投喂规律,对鱼群摄食过程中的行为进行分析,选取每轮投喂后第20～40s的视频作为数据样本,并将鱼群食欲等级划分为“强”、“中”、“弱”和“无”4个等级。（2）基于传统机器学习的鱼群食欲等级识别。依据划分的食欲等级,制作鱼群食欲等级图像数据集,经数据增强后的数据集共16000张图像。通过特征工程提取了17个鱼群摄食图像纹理、颜色和形状特征,并采用Fisher得分方法选择特征,得到的5个特征分别为对比度、逆差距、熵、相关性和能量,作为传统机器学习模型的数据样本。构建了包括K近邻、支持向量机、随机森林和Stacking的传统机器学习模型,并基于鱼群摄食图像特征进行训练。结果显示,在4个模型中,随机森林模型识别效果最好,其平均准确率、精准率、召回率和F1分数分别为83.65%、83.67%、83.65%和83.66%,平均识别速率为18.58帧/s。（3）基于深度学习的鱼群食欲等级识别。通过构建Res Net18、Shuffle Net V2和Mobile Net V3-Small深度学习模型,对比了3个深度学习模型对鱼群食欲等级的识别结果。结果显示,Mobile Net V3-Small模型总体识别效果最好,其平均准确率、精准率、召回率和F1分数分别为97.10%、97.11%、91.77%和94.37%,理论计算量为582.40MB,参数量为1.53MB,平均识别速率为32.06帧/s。为提高模型准确率,通过添加膨胀卷积层的方式改进Mobile Net V3-Small模型,改进后模型的平均准确率、精准率、召回率和F1分数分别提高了0.15%、0.15%、0.41%和0.28%。此外,对比了4种固定学习率和Cosine-Warmup学习率对模型识别效果的影响。结果显示,经Cosine-Warmup学习率训练得到的改进Mobile Net V3-Small模型平均准确率、精准率、召回率和F1分数分别为98.31%、98.31%、94.82%和96.53%,较最优固定学习率0.001模型分别提高了0.36%、0.35%、0.72%和0.54%。通过对比传统机器学习模型和深度学习模型对鱼群食欲等级的识别结果,最终选取经Cosine-Warmup学习率调整策略训练得到的改进Mobile Net V3-Small模型作为决策投饵模型,用于识别鱼群食欲等级,并指导饲料投喂。（4）智能决策投饵系统设计与试验。首先,设计并构建系统总体框架。然后,改进了小型池塘投饵机,将其控制系统改为Node MCU-8266控制系统,并验证其投喂精度能够满足试验要求。基于MQTT协议和阿里云物联网平台搭建了Wi-Fi物联网系统,实现了投饵机与计算机决策系统间的信息交互。此外,设计了一款系统图形用户界面,用于实现鱼类信息、视频画面展示以及相关投喂方案的远程操作控制,并建立了SQLite数据库,以保存和读取投喂数据。最后,为验证智能决策投饵系统的实际效果,进行了智能决策投饵系统试验。试验结果显示,相较于人工经验投喂,基于该系统投喂的鱼群饵料系数降低了0.03,增重率提高了0.11%,特定生长率相同,基于该系统投喂的鱼群整体生长情况优于人工投喂方式。该系统能够准确识别鱼群食欲等级,合理调整饲料投喂量并指导投喂,能够在一定程度上代替养殖人员做投喂决策,从而节约养殖成本,为室外集约化养殖模式下的鱼类智能投喂提供了参考。