为高效、高精度测量前臀鮡表型并解决人工测量误差大及鮡科鱼类智能测量空白问题，本文结合数字图像处理与深度学习技术，提出基于 YOLOv8n-pose 的自动化表型测量与多元回归预测方法，核心创新有三：一是首次构建前臀鮡多视角表型数据集，采集317组多视角鱼体图像并以 COCO 格式标注关键点，提取传统表型和胸鳍基部间距等结构性指标，填补鮡科小型淡水鱼表型数据资源空白；二是通过系统性模型对比筛选最优技术方案，在相同训练配置下测试 RTMPOSE、LiteHRNet、YOLOv12n-pose和YOLOv8n-pose四种关键点检测模型，最终选定 YOLOv8n-pose 并优化其标注逻辑。该模型 Precision 达 94.70%，分别较 RTMPOSE、LiteHRNet、YOLOv12n-pose 提升 8.75、5.59、1.30 个百分点；关键点测量平均相对误差仅 5.45%，分别降低 1.83、3.23、3.6 个百分点，其中最低误差仅1.68%，实现表型参数自动化、低误差获取；三是首次建立前臀鮡体重预测模型，通过对 25 项表型特征与体重的相关性分析，结合共线性分析选取胸鳍起点间距离 (X5)、胸鳍基部起点到右端腹鳍基部起点 (X7)、体高 (X10)、头长 (X12)、眼间距 (X14) 五个核心表型，构建多元回归模型 Weight = -12.46 + 1.89*X5+ 7.73*X7 + 0.33*X10 -2.45*X12-3.42*X14，测试集 =0.97，泛化性能优异。本研究实现了前臀鮡表型自动化测量与高精度体重预测，填补了鮡科鱼类智能测量空白，为其种质鉴定、选育及增殖放流提供技术支撑。