随着国家对海洋资源的日益重视,运用现代海洋信息技术,建立现代海洋产业体系已成为国家的重要举措之一。鱼类作为海洋生物资源中分布最为广泛和最具代表性的生物,也成为国内外学者的重要研究对象。在海洋鱼类调查研究中,鱼类的检测、识别是基础性的环节。然而,受水下特殊成像环境的限制,水下图像存在对比度低、颜色失真、光照不均等质量退化现象,导致图像细节丢失,自动化分析困难;此外,鱼类形态各异,尺寸不一,种类繁多且差异细微,给检测和识别带来了严峻的挑战。为了克服上述困难,恢复水下图像质量,实现低质水下图像中鱼类的精准、稳定的检测和识别,本文主要研究成果如下:（1）针对水下图像中鱼类细节模糊、小目标难以检测等问题,提出了一种基于难样本挖掘的水下鱼类目标检测算法,通过由粗到精的两阶段检测策略,有效实现了召回率与精确率的平衡;为降低鱼类形变对检测造成的影响,提出一种双路Faster RCNN检测网络,创新性地引入距离变换图像,将轮廓信息作为辅助特征,从而实现难样本的检测。通过在本文构建的数据集上进行实验,验证了算法的有效性;（2）针对水下低光图像存在的照明不足、光照不均、对比度低等问题,提出了一种新颖的面向水下低光图像增强的光照解析模型。受朗伯-比尔定律的启发,提出光照解析网络（Illumination Parsing Network,IP-Net）实现对水下光照衰减的估计;针对缺乏成对训练数据的问题,提出了一种基于色彩迁移的自参考成对图像生成方法,较好地模拟了水下实际光照条件。最后通过在真实图像上进行大量的对比实验及目标检测实验,验证了本文方法能在增强视觉感知效果的同时提高下游视觉任务性能;（3）针对鱼类识别中存在的类间相似度高、类内差异性大的问题,提出一种基于双线性网络的细粒度鱼类识别算法。通过双线性操作融合两路特征,以同时捕获不同语义特征之间的关系,得到更为有效的特征表示;此外,为进一步扩大特征空间中的类间差异性,提高类内紧凑性,本文引入三元组损失,协同交叉熵分类损失一同优化网络,提升了双线性网络的识别准确率。