Les études sur les animaux marins revêtent une importance capitale pour l’humanité et jouent un rôle fondamental dans de nombreux domaines de recherche. La détection de ces animaux à l’aide du traitement d’images constitue une tâche particulièrement complexe, menant au problème de la segmentation des animaux marins (MAS, Marine Animal Segmentation). Bien que les réseaux neuronaux profonds soient largement utilisés pour la segmentation d’objets, peu d’entre eux prennent en compte les conditions d’acquisition d’images complexes en milieu aquatique ainsi que les propriétés de camouflage propres aux animaux marins. À cet effet, cet article propose un réseau profond robuste pour la segmentation des animaux marins. Plus précisément, nous concevons une nouvelle stratégie d’augmentation de données permettant de modifier aléatoirement les attributs de dégradation et de camouflage des objets d’origine. Grâce à ces augmentations, un réseau neuronal profond basé sur la fusion, conçu selon une architecture de type Siamese, est entraîné afin d’apprendre des représentations sémantiques partagées. En outre, nous avons construit un nouveau jeu de données MAS à grande échelle et réel, destiné à permettre des expérimentations approfondies. Ce jeu comprend plus de 3 000 images couvrant divers scénarios sous-marins et objets, chaque image étant annotée par un masque au niveau de l’objet et associée à une catégorie. Les résultats expérimentaux abondants démontrent que notre méthode surpasse significativement 12 méthodes de pointe, tant du point de vue qualitatif que quantitatif.