Dado que el método tradicional de clasificación manual tiene algunas desventajas, incluyendo alta subjetividad, baja eficiencia y alta tasa de mala clasificación, estudiamos un enfoque para clasificar variedades de koi. Las principales contribuciones de este estudio son dos: (1) se estableció un conjunto de datos para trece tipos de koi; (2) se diseñó un problema de clasificación con alta similitud para animales acuáticos, y se construyó una red de clasificación KRS-Net basada en aprendizaje profundo, que podría resolver el problema de baja precisión para algunas variedades que son altamente similares. El experimento de prueba de KRS-Net se llevó a cabo en el conjunto de datos establecido, y los resultados se compararon con los de cinco redes de clasificación principales (AlexNet, VGG16, GoogLeNet, ResNet101 y DenseNet201). Los resultados experimentales mostraron que la precisión de la prueba de clasificación de KRS-Net alcanzó el 97.90% para koi, lo que es mejor que el de las redes de comparación. Las principales ventajas del enfoque propuesto incluyen un menor número de parámetros y una mayor precisión. Este estudio proporciona un enfoque efectivo para la clasificación inteligente de koi, y tiene un significado orientador para la clasificación de otros organismos con alta similitud entre clases. El enfoque propuesto puede aplicarse a algunas otras tareas, como selección, cría y clasificación por grados.