China posee abundantes recursos pesqueros marinos, que juegan un papel vital en la economía nacional. Lograr una clasificación rápida y de alta precisión de los objetivos submarinos en entornos acuáticos complejos es de gran importancia para mejorar la inteligencia de la acuicultura y la eficiencia operativa. Para abordar los desafíos de la extracción de características insuficiente y la optimización ineficiente de los parámetros del clasificador en la clasificación de imágenes submarinas, este estudio propone un método de clasificación que integra patrones binarios locales (LBP), análisis de componentes principales en núcleo (KPCA) y un algoritmo de búsqueda de gorriones mejorado (SSA). El método primero extrae características de textura de la imagen utilizando LBP y luego aplica KPCA para la reducción de dimensionalidad no lineal. Posteriormente, se introducen tres estrategias de optimización: ponderación dinámica, contracción de límites y mutación adaptativa, para mejorar el SSA, que luego se emplea para optimizar los parámetros centrales de la Máquina de Vectores de Soporte (SVM). Se realizaron experimentos en un conjunto de datos de imágenes submarinas que contenía cuatro tipos de objetivos: erizos de mar, peces, rocas y vieiras. Los resultados demuestran que, en comparación con el método tradicional KPCA-SVM, la integración de características LBP y el SSA mejorado aumenta la precisión de clasificación del 55% al 94.37%, validando la efectividad del enfoque propuesto en la extracción de características de imágenes submarinas y la optimización de parámetros del clasificador. Esto proporciona apoyo técnico para mejorar la viabilidad del reconocimiento automático de objetivos submarinos en aplicaciones de acuicultura.