为解决真实养殖环境中因鱼群模糊、遮挡造成的鱼类目标检测困难等问题，采用基于通道非降维与空间协调注意力ECAM(efficient coordination attention module)的改进YOLOv8养殖鱼群检测方法YOLOv8-Head-ECAM以提高检测精度。首先在FPN(feature pyramid network)中增加大尺寸检测头，更好地捕捉水下鱼类个体的细节信息，以加强对鱼群特征的提取能力，然后使用ECAM注意力机制减少模糊背景的干扰，聚焦鱼类个体的关键特征，以加强对模糊鱼群的识别能力，并设计了消融试验和模型对比试验以验证算法的有效性。结果表明：相比于YOLOv8,YOLOv8-Head-ECAM模型的准确率、召回率和平均精度均值分别提高了2.3%、1.7%和1.6%;与目前检测准确率较高的养殖鱼群检测模型KAYOLO、DCM-ATM-YOLOv5、SK-YOLOv5和ESB-YOLO相比，平均精度均值分别提高了0.7%、1.0%、2.4%和2.0%。研究表明，本文中提出的YOLOv8-Head-ECAM模型能够较好地适应水下鱼群模糊、遮挡的情况，提高了鱼群检测的有效性。

为解决真实养殖环境下，水下成像模糊、失真等导致鱼群检测准确率低的问题，提出一种融合视觉注意力机制SKNet (selective kernel networks)与YOLOv5(you only look once)的养殖鱼群检测方法(SK-YOLOv5模型),该方法首先采用UNet(convolutional networks for biomedical image segmentation)对图像进行预处理，得到清晰的鱼群图像，然后将SKNet融合到YOLOv5的Backbone端构成关注像素级信息的特征提取网络，加强对模糊鱼体的识别能力，并在水下模糊鱼群图像数据集上进行了消融试验和模型对比试验，以验证SK-YOLOv5的有效性。结果表明：在鱼群检测任务上，SK-YOLOv5的识别精确率和召回率分别达到了98.86%和96.64%,检测效果比YOLOv5分别提升了2.14%和2.29%,与目前检测准确率较高的水下目标检测模型XFishHmMp和FERNet相比，SK-YOLOv5取得了较好的检测效果，与XFishHmMp模型相比，识别精确率和召回率分别提升了5.39%和5.66%,与FERNet模型相比，识别精确率和召回率分别提升了3.59%和3.77%,实现了真实养殖环境下鱼群的准确检测。研究表明，融合SKNet与YOLOv5的养殖鱼群检测方法，有效地解决了水下模糊图像鱼群检测准确率低的问题，提升了养殖鱼群检测和识别的整体效果。