现今,计算机视觉领域中目标检测算法主要分为两阶段（two-stage）和一阶段（onestage）两种类型。前者具有优秀的检测精度,但由于其检测速度较慢、部署时模型较大以及对硬件设备有较高要求。two-stage类算法主要在视频分析场景中使用,无法满足实时目标检测追求快速的硬性条件。one-stage类算法在检测精度上稍低于two-stage类算法,但其速度大幅提高能满足实时性需求。但是该类算法对设备的算力仍有一定要求且模型的参数量仍然过大。对于部署到移动端这一设备算力资源有限的特定场景中,one-stage以及two-stage这两类算法均不能直接用于移动端。因此,一种对设备算力要求不高并且能保证一定检测精度的实时目标检测算法十分具有应用价值。目前,国内外对于轻量化目标检测模型的研究工作也越来越多。本文主要研究应用于移动端的水下鱼类目标检测算法。根据规划的要求,本文的检测算法能适用于仿生海豚这一移动终端。检测算法能在保证一定精度前提下,实现提升检测速度以达到满足实时性要求并且降低算法对仿生海豚电力资源的消耗。本文的研究工作如下:首先,获取优秀检测模型的前提条件是具备高质量的训练数据。因此,本文对已收集的原始数据进行数据增强扩充训练集。该操作包括几何变换、色彩抖动与噪声处理三部分。同时,利用循环生成对抗网络对部分数据进行风格迁移操作达到更换图像背景为不同的水下场景。通过上述的两个步骤大大丰富训练数据多样性,最终得到足量训练数据。完成对训练数据的处理后,本文对当今前沿的目标检测算法进行简介以及原理分析。根据不同算法各自优点进行对比分析,最终确定适用于本场景的基准算法SSD。在SSD基础上更换其骨干网络为Shuffle Net,使得模型在确保一定检测精度的同时满足模型轻量化与提升检测速度的要求。在目标检测后结合目标跟踪功能进一步优化本文算法的性能。对在跟踪速度以及进度均表现出色的核相关滤波算法（KCF）进行简单介绍。目标跟踪具备的优势是运行时效性高、计算量少。通过跟踪来缩减进行目标检测的次数能降低处理器的计算负荷,从而降低系统的能耗。同时,缩短了检测的时间更好地保障算法实时性并且有效缓解检测算法在下一帧可能出现漏检的问题。最后是整体程序的编写。其中包括图像数据增强代码、生成对抗网络代码、检测神经网络搭建、跟踪与检测相结合的代码。结合目标检测与目标跟踪功能进行调试评价,得出实验结果。最终本文的水下鱼类目标检测算法的m AP为66.7。