为了提高水下图像的清晰度和对比度，恢复水下图像颜色特性，提出了一种基于非监督超分辨重构的方法(SR-CycleGAN)对水下图像进行增强。该方法采用超分辨网络和退化网络学习水下图像和陆地图像之间的跨域映射函数，使用相对平均判别器，增加了内容损失函数，并将SR-CycleGAN模型与4种传统的水下图像增强模型和5种基于深度学习的模型，在同一数据集上进行增强效果比较。结果表明：本文中构建的SR-CycleGAN模型得到了最高的PSNR值(20.277)和SSIM值(0.727),与SESS-CycleGAN模型相比，PSNR和SSIM值分别提高了5.9%、13.9%,与FEATURE FUSION-CycleGAN模型相比分别提高了13.8%、71.8%,与BM-CycleGAN模型相比分别提高了5.1%、1.1%;对7类海洋生物进行识别，经过SR-CycleGAN模型增强后图像的识别准确率提高了48%。研究表明，本文中提出的SR-CycleGAN模型在校正水下图像颜色失真的同时还增强了图像清晰度，在海洋生物水下图像识别中具有一定的实用性。

为构建智能鱼类信息共享平台，实现鱼类信息的高效准确检索，针对鱼类数据库信息量大、高并发等特点，基于MongoDB研发了智能鱼类信息共享平台。平台数据库设计了16张表，涵盖了鱼名、生态、形态等多种信息，使用SpringBoot结构的Java一体式框架和集成人工智能识鱼模块，采用卷积神经网络实现图片识鱼；利用MongoDB的BinaryJSON实现松散数据结构的管理，使用Spring的MongoTemplate服务进行MongoDB数据库操作，采用阿里云提供的云服务器平台，以及Nginx反向代理和SpringBoot内置的Tomcat服务器组合完成网络部署。结果表明：本研究中构建的平台数据库实现了鱼类信息的科学性、可追溯性及实用性，系统较好地降低了架构的耦合度，提高了程序的可维护性；系统实现了海量数据存储和高并发访问的需求；构建的智能鱼类信息共享平台，可提供基于纲目、地域、形态、鱼汛、有无鳞片等多种检索入口，图片识鱼准确率达到92.67%;用户可通过上传鱼的文本、图片，查询或识别该鱼的相关信息；还可在地图中根据鱼所处的位置搜索鱼的详细信息，满足了多样化的检索需求；平台信息开放，实现了优质鱼类资源共享。研究表明，构建的智能鱼类信息共享平台，信息丰富、使用便捷，能有效地解决鱼类海量数据存储和访问效率问题。