南美白对虾营养丰富、味道鲜美,在中国深受广大民众喜爱,具有较高的经济价值。据不完全统计,南美白对虾占所有海水虾类养殖的65%,包括淡水养殖的白南美对虾,其产量已占了中国所有养殖虾类总产量的80%。为提高产量多采用高密度养殖,随着养殖密度的增加,饲料残饵和动物粪便会直接影响对虾的生长,导致水污染严重,破坏生态平衡。为此,采集两家南美白对虾养殖基地的对虾充分进食后的饲料台残饵图像,结合图像处理与分析,建立用于识别残饵的全卷积神经网络（FCN）模型;基于连通域快速标记法的零星残饵计数模型;基于深度学习技术的严重粘连残饵目标计数的神经网络模型,对比并确定最优模型,具体研究内容如下:（1）残饵图像前处理与目标标记。数码相机采集的原始图像通过裁剪,制备成320像素×320像素的小幅图像,使用在线标记软件Labelme手动标记图像,并将图像目标设置为残饵和白虾的两种标记。（2）基于FCN的南美白对虾残饵识别模型的构建。通过制备训练用的标定图像,随后对图像数据集增广处理并划分训练与预测集,结合调整FCN参数与预训练方法寻求最优解。结果显示:当使用batch＿size=16.优化器选择Adadelta时,FCN-8s模型识别效果最好,预测集识别率为97.21%。（3）基于连通域快速标记法与Vgg-16模型的残饵计数。针对前述饵料二值分割图像,应用基于重心的极大与极小距离比值法去除简单粘连。对于零星的残饵,CCL模型具有最好的识别效果,计数精度为97.5%,满足实际生产中的误差要求。（4）基于NAS模型的粘连残饵计数。对于大量严重粘附的残饵,由于分布稠密无法手动计数。将320像素×320像素的残饵图像进一步分为32像素*32像素的小图像,以确保每个小图像中的残饵数量在0-5之间。图像数据训练时分别使用了浅层Densen神经网络,Vgg-16,NASNet-A等神经网络模型建模分析。分类计数模型结果表明,NASNet-A是粘连残饵最好的计数方法。使用NASNet-A模型计数的预测集准确率可以达到88.29%。把cifar-10上搜索出来的Cell结构迁粘连复杂黏连残饵数据集上,表现出了很好的泛化能力。