鱼类细菌性病害对发展鱼类养殖业构成了严重的威胁, 而抗生素的滥用和病原菌耐药性的出现对鱼类养殖产量、水产品质量和养殖环境造成了严重的影响。为了推动鱼类健康养殖产业的发展, 亟待创新研究鱼类病害的绿色防控技术。噬菌体作为一种天然、无残留的细菌杀手, 具有特异性强、裂解效率高等特点, 利用噬菌体治疗鱼类细菌性病害将是一种重要的技术途径。本文综述了噬菌体的重要资源挖掘、鱼类细菌性病害防控中的作用机制及其应用前景, 并提出了在鱼类健康养殖领域加快研究噬菌体治疗技术的措施, 对鱼类的健康养殖具有重要意义。

鱼体中的肠道微生物菌群是一道天然的免疫屏障, 能抑制病原微生物的定居和增殖, 从而使鱼体免受病害侵袭。洞庭湖是重要鱼类及水生生物的栖息地和基因库, 其中鲤形目(Cypriniformes)和鲈形目(Perciformes)种类最多, 鲇形目(Siluriformes)种类相对较少。洞庭湖鱼类群落结构及生物多样性已引起广泛关注, 但生态系统还是受到了一定程度的破坏, 很少有研究将其肠道微生物群的特征作为改善洞庭湖生态系统的潜在因素。为了探测洞庭湖重要鱼类中的微生物群, 使用16S rRNA高通量测序表征了鲇形目、鲈形目和鲤形目中6种鱼［黄颡鱼(Pelteobagrus fulvidraco)、鳜鱼(Siniperca chuatsi)、鲫鱼(Carassius auratus)、翘嘴鱼(Culter alburnus)、草鱼(Ctenopharyngodom idella)、鲢鱼(Hypophthalmichthys molitrix)］的肠道细菌群落多样性、组成和潜在的功能。所有鱼类肠道样本中有5种优势菌门, 包括厚壁菌门(Fimicutes)、变形杆菌门(Proteobacteria)、梭杆菌门(Fusobacteriota)、放线菌门(Actinobacteriota)和蓝细菌门(Cyanobacteria)。鲤形目和鲈形目鱼类的细菌组成相似, 鲇形目中醋酸杆菌属(Cetobacterium)所占比例高, 而鲤形目中醋酸杆菌属和气单胞菌属(Aeromonas)所占比例均高。对这6种鱼类肠道微生物群的微生物群落的物种组成和功能进行预测, 发现鳜鱼肠道微生物菌群物种的丰富度最高, 并且代谢过程较为旺盛, 推测这可能与鲈形目的抗病能力和适应能力有关。深入了解鱼类肠道微生物菌群的多样性、组成与潜在功能, 不仅可以更好地对微生态制剂使用和其水质管理进行调控, 而且对鱼类的健康养殖具有重要的参考价值。

通过肉眼识别鱼类疫病依赖于诊断人员的经验，疫病数据存在类间差距较小与识别效率低等细粒度问题。由于Transformer缺乏卷积神经网络（CNN）的归纳偏差，需要大量的数据进行训练；CNN对全局特征提取不足，泛化性能较差等问题限制模型的分类精度。基于特征图对所有像素的全局交互建立算法模型，提出一种基于CNN与Vision Transformer相结合的鱼类疫病识别模型（CViT-FDRM）。首先，搭建鱼类疫病的数据库FishData01；其次，利用CNN提取鱼类图像细粒度特征，采用Transformer模型自注意力机制获取图像全局信息进行并行训练；然后，采用组归一化层将样本通道分组求均值与标准差；最后，采用404张鱼类疫病图像进行测试，CViT-FDRM达到97.02%的识别准确率。在细粒度图像开源数据库Oxford Flowers上的实验结果表明，CViT-FDRM的分类精度优于主流的细粒度图像分类算法，可达95.42%，提高4.84个百分点。CViT-FDRM在细粒度图像识别方面可达到较好的效果。

为了更好地保护和利用海洋鱼类资源，需要对海洋鱼类进行有效监测，但海洋环境复杂，导致海洋鱼类的识别检测普遍存在检测精度不佳等问题。针对上述问题，本文提出一种基于RetinaNet改进的海洋鱼类检测算法。首先，用DenseNet-121替换RetinaNet原有的主干网络，减少参数量的同时保留了更多的鱼类图像特征。然后，在主干网络中引入卷积注意力模块，引导神经网络更有针对性地提取图像特征。其次，在原有的FPN网络中引入新的卷积层，使得改进后的PFPN网络能够融合更多尺度的图像特征。最后，在分类和回归网络中引入soft-NMS，有效改善了相同类别的鱼距离过近和相互遮挡造成的漏检问题。实验表明，提出算法的平均精度（mAP）达到92.12%，相比SSD等算法的检测效果有明显提高，相比原算法的mAP提升了4.71%，对于海洋鱼类具有较好的检测效果。

在鱼类识别检测技术中，采用anchor-free算法中的Centernet算法对鱼类进行识别检测时，低层特征信息容易丢失，导致识别精度和识别效率降低。为此，提出了一种基于Feature fusion Module and Loss function optimization of Centernet（FML-Centernet）算法的鱼类识别检测算法。在Centernet算法网络结构中引入特征融合模块将低层特征信息和高层特征信息融合，输出更加完整的特征图，提高识别检测精度；设置参数调节正负样本的损失比例，使得网络模型的损失函数得到优化，提高整个模型的识别检测效率。在PASCALVOC数据集中对所提算法进行有效性的验证，并对网络结构的性能进行分析。收集大量的目标数据集以及标注数据集信息，训练优化的网络结构并与不同的模型进行对比分析。实验结果表明，FML-Centernet算法对鱼类进行识别检测时，识别平均精度（AP50）可以达到85%以上，平均检测时间低于100 ms。所提算法不仅识别检测精度较高，而且识别检测效率也得到了提升。

针对水质异常监测问题, 本文提出了一种基于计算机视觉技术和支持向量机相结合的生物式水质异常监测方法。首先通过计算机视觉获取可以反映水质状况的鱼类行为运动特征参数, 对其进行预处理；然后建立样本集并获得基于 SVM的水质异常监测模型；最后利用模型对未知水质下的鱼类行为特征参数分析评价, 间接监测水质异常状况。鉴于支持向量机核函数类型和参数优化对模型优劣有重大影响, 本文对不同类型的核函数进行实验对比, 其次分别采用粒子群优化算法 (PSO)、遗传算法 (GA)以及网格搜索法(Grid Search)对参数进行优化选择。实验结果表明该方法可以快速有效的进行水质异常监测。

针对利用鱼类行为监测进行水体环境保护的问题，本文提出了基于视频的鱼类运动跟踪研究，通过对鱼类运动视频进行分割、跟踪，获得鱼类运动的轨迹和速度，为鱼类参与环境污染研究奠定了理论基础(通过对比不同污染环境中鱼类运动的一些参数，进行水体环境污染程度的定量分析)。该算法采用标记多尺度分水岭方法进行鱼类运动分割，然后通过改进的加权Hausdorff 距离对鱼类运动视频进行跟踪，最后为了容纳鱼类在运动过程中形状的变化，在多值图像中引入欧几里德范数作为约束条件来完成跟踪模型的更新。实验结果表明，本文算法呈稳定跟踪状态，在连续100 帧的跟踪过程中没有出现超过1 个像素的位置差，跟踪速度差值也未超过0.12 个像素，能够快速、精确分割和跟踪鱼类运动目标。

应用低功率CO2激光和TDP红外辐射辐照鲤、鲫、草鱼、鲢、鳙等的孵化期鱼卵、稚鱼、鱼苗和鱼种以选育繁殖用亲鱼,并在繁殖期对产卵池内的雌雄亲鱼进行辐照处理,以观察经选育的亲鱼的繁殖力和子代苗种的相关遗传性能.经与空白对照组和促长剂对照组的亲鱼相关的性能进行对比,经辐射处理的亲鱼生长发育正常,品种特征显现明显优势,繁殖力和抗病抗逆力增强,繁殖用期限延长.对鱼类的低功率激光和TDP辐照系列技术进行了长达10年以上的远期效果进行了追踪观察,未发现亲鱼和子代鱼苗、鱼种的致畸、致癌变和诸多遗传退化现象.