【摘要】随着人工智能、大数据、机器学习、计算机视觉等技术的发展，卷积神经网络（CNN）越来越多地应用于图像识别领域，图像数据集的丰富性以及多样性对CNN模型的性能和表达能力至关重要，但现有的鱼类图像公共数据集资源较匮乏，严重缺少训练集以及测试集样本，难以满足深度CNN模型优化及性能提升的需要。实验以大黄鱼、鲤、鲢、秋刀鱼和鳙为对象，采用网络爬虫以及实验室人工拍照采集相结合的方式，构建了供鱼种分类的基础图片数据集，针对网络爬虫手段获取到的鱼类图像存在尺度不一、格式不定等问题，采用图像批处理的方式对所有获取到的图像进行了统一的数据预处理，并通过内容变换以及尺度变换对基础数据集做了数据增强处理，完成了7 993个样本的图像采集与归纳；在权值共享和局部连接的基础上，构建了一个用于鱼类识别的CNN模型，采用ReLU函数作为激活函数，通过dropout和正则化等方法避免过度拟合。结果显示，所构建的CNN鱼种识别模型具有良好的识别精度和泛化能力。随着迭代次数的增加，CNN模型的性能也逐步提高，迭代1 000次达到最佳，模型的准确率为96.56％。该模型采用监督学习的机器学习方式，基于CNN模型，实现了5种常见鱼类的鱼种分类，具有较高的识别精度和良好的稳定性，为养殖鱼类的品种识别提供了一种新的理论计算模型。