海洋生物(水产)资源是人类食物的重要来源。常见的水产有扇贝、海胆、海参等,它们具有很高的药用价值和营养价值。常见的捕捞方式为人工捕捞,捕捞效率低,且对捕捞人员身体伤害大,为此利用水下机器人进行智能捕捞已经成为发展趋势。目标检测算法是智能捕捞的关键技术之一,目前主流的基于深度学习的目标检测算法都是对生活中常见的目标进行检测,无法直接对水下小型生物进行检测。因此,本文对基于深度学习的目标检测算法进行研究,设计并实现基于深度学习的水下小型生物目标检测算法。本文建立的水下小型生物数据集,以2018水下机器人目标抓取大赛预赛的数据集作为初选数据集,进行数据清洗与数据标注,将数据集按6:2:2划分为训练集、验证集、测试集。待检测目标为扇贝、海胆、海参。对数据集进行统计特性分析,本文数据集具有图像复杂,内容丰富,待检测目标小且存在遮挡的特点。针对水下图像存在色偏、雾化的问题,使用灰度世界算法进行去色偏,暗通道先验算法进行去雾。对基于区域的深度学习目标检测算法中的Faster-RCNN算法进行研究,并根据本文数据集特点从提高检测精度、检测框准确度、检测速度的角度进行改进。在主干网络选择上选用特征提取能力较强的Res Net101,并将Res Net101后三个卷积模块的特征图进行特征融合。同时为了增强基于区域的算法的实时性,尝试将主干网络换为Mobile Net-v1。RPN网络中初始anchor的生成由算法自带的初始值改为由聚类算法生成,将Fast-RCNN中的roi pooling操作改为roi align。对基于回归的深度学习目标检测算法中的yolo-v3和SSD进行研究,并根据本文数据集特点从提高检测精度、检测框准确度的角度进行改进。对于SSD算法,将主干网络替换为Res Net101,将后处理阶段的NMS替换为soft-NMS。对于yolo-v3算法,在损失函数中引用focal loss,并将后处理阶段的NMS替换为soft-NMS。通过对比实验证明,证明了本文的改进操作可以带来检测精度、检测框准确度、或检测速度的提升。以特征融合的Res Net101作为主干网络的Faster-RCNN改进算法在检测精度和检测框准确度方面性能最佳,不过实时性差。改进的SSD算法实时性最好,同时保持了较高的检测精度和检测框准确度。