Los cefalópodos son un componente esencial de los ecosistemas marinos, que son de gran importancia para el desarrollo de los recursos marinos, el equilibrio ecológico y el suministro de alimentos para los humanos. Al mismo tiempo, la preservación de los recursos de cefalópodos y la promoción de su utilización sostenible también requieren atención. Muchos estudios sobre la clasificación de cefalópodos se centran en el análisis de sus picos. En este estudio, proponemos un método basado en la fusión de características para la identificación de picos, que utiliza el modelo de red neuronal convolucional (CNN) como su arquitectura básica y una máquina de soporte vectorial (SVM) multiclase para la clasificación. Primero, se extraen dos características locales superficiales, a saber, el histograma del gradiente de orientación (HOG) y el patrón binario local (LBP), y se clasifican utilizando SVM. En segundo lugar, se utilizaron múltiples modelos de CNN para el aprendizaje de extremo a extremo para identificar los picos, y se comparó el rendimiento del modelo. Finalmente, se extrajeron las características profundas globales de los picos del modelo Resnet50, se fusionaron con las dos características locales superficiales y se clasificaron utilizando SVM. Los resultados experimentales demuestran que el modelo de fusión de características puede fusionar efectivamente múltiples características para reconocer picos y mejorar la precisión de la clasificación. Entre ellos, el método HOG+Resnet50 tiene la mayor precisión en el reconocimiento de los picos superior e inferior, con un 91.88% y un 93.63%, respectivamente. Por lo tanto, este nuevo enfoque facilitó los estudios de identificación de los picos de cefalópodos.