Este estudio presenta un nuevo método de fusión cruzada de modalidades para el reconocimiento preciso de la intensidad de alimentación de los peces en entornos submarinos complejos. Utilizando datos acústicos y visuales de hidrófonos y cámaras, desarrollamos un mecanismo de atención en dos etapas que combina de manera adaptativa la información complementaria de ambas modalidades para superar las limitaciones de los enfoques unimodales. La primera etapa mejora las representaciones modales individuales a través de interacciones cruzadas, mientras que la segunda etapa ajusta dinámicamente los pesos de fusión en función de las condiciones ambientales y la fiabilidad modal. Los resultados experimentales demuestran que nuestro método supera significativamente a los enfoques unimodales y de fusión convencionales, logrando una precisión superior en escenarios submarinos. Este trabajo proporciona un sólido apoyo técnico para el monitoreo inteligente de la acuicultura y la gestión de la pesca de precisión.