浮游植物作为水生态系统中最重要的生物组成部分之一,对水环境敏感,在水环境监测中得到了广泛的关注.然而水生环境复杂多样,准确高效地识别浮游植物是监测工作中的一大挑战.当前浮游植物识别方法可分为经典形态学分类、分子标记和人工智能图像识别三类.前两种方法已被广泛采用,但费时费力,不利于监测机构的大规模应用和推广.同样,利用图像进行自动化分类难以在高准确率与高效率上达到平衡.深度学习技术的发展为此提供了新思路.本文提出一种新的深度卷积神经网络RAN-11.该网络以残差注意力网络Attention-56和Attention-92为基础,凭借通道对齐融合主干上的底层特征与顶层特征,通过调整注意力模块和残差快个数以精简结构,并引入了Leaky　ReLU激活函数代替ReLU.以太湖11个优势属共计1036张图像为数据来源进行对比验证.除星杆藻外,RAN-11对单一优势属的的查准率都在90％以上,并且有5个优势属达到100％的查准率.RAN-11的识别准确率为95.67％,推理速率为41.5帧/s,不仅比Attention-92(95.19％的准确率,23.6帧/s)更准确,而且比Attention-56(94.71％的准确率,41.2　帧/s)更快,真正兼顾了准确率与效率.研究结果表明:(1)RAN-11在查准率、准确率和推理速率上优于原始残差注意力网络,更优于以词包模型为代表的传统图像识别方法;(2)融合多尺度特征、精简网络结构和优化激活函数是提高卷积神经网络性能的有力手段.建立在经典分类基础之上,本文提出新的残差注意力网络来提升浮游植物鉴定技术,并构建出浮游植物自动化识别系统,识别准确率高、易于推广,对于实现水体中浮游植物的自动化监测具有重要意义.