仿生机器鱼作为受鱼类启发而研制的水下航行器,具有高效率、低噪声、高机动性等优点,受到人们越来越多的关注。在仿生机器鱼研究中,更好地跟踪仿生机器鱼,并识别机器鱼所处场景,可为仿生机器鱼后续研究打下坚实的控制基础。本文以仿生机器鱼为研究对象,基于全局视觉开展目标跟踪、场景感知等工作,主要研究内容如下:首先,阐述了仿生机器鱼目标检测跟踪及水下场景感知的研究背景与意义,综述了仿生机器鱼、目标跟踪与场景感知的国内外研究现状,并简述了论文各章的研究内容。其次,构建了仿生机器鱼的目标检测数据集和场景感知数据集。首先,搭建了仿生机器鱼、高清摄像头、控制计算机、水池等组成的机器鱼数据采集实验平台,采集了1000张不同环境不同运动模态的机器鱼运动图像;其次,为提高深度模型的泛化能力,采用图像旋转、高斯模糊、亮度变换、镜像翻转四种数据增强操作对数据集进行数据扩充;最后,对数据进行了标注,先后构建了仿生机器鱼目标检测数据集,收集整理了包括鱼群、巨型鱼、珊瑚礁、礁石、海洋植被五个场景的场景感知数据集,为后续研究工作的开展奠定基础。再次,提出了基于YOLOv3-DeepSort的仿生机器鱼检测方法。该方法通过修改yolo输出层,基于改进K-means聚类方法确定锚框,建立适用于仿生机器鱼的YOLO目标检测算法,并针对不同超参数进行了检测模型的训练优化;为解决实际应用中的视频堵塞问题,采用多线程方式进行了优化改进。在此基础上,利用DeepSort算法实现了仿生机器鱼的目标跟踪。接着开展了仿生机器鱼目标跟踪对比实验,实验结果表明基于YOLOv3-DeepSort的目标跟踪算法具有较好的跟踪性能。最后,提出了一种基于MobileNetV3的仿生机器鱼场景感知方法。该方法采用迁移学习策略进行模型训练,同时针对超参数进行模型优化改进。为验证基于MobileNetV3的仿生机器鱼场景感知方法的有效性,开发了仿生机器鱼场景感知与跟踪控制软件平台,设计了基于SIFT-SVM的机器鱼场景感知算法,并将基于MobileNetV3感知模型与基于SIFT-SVM场景感知模型进行对比实验,实验结果表明基于MobileNetV3的场景分类方法效果更好。