随着我国奶牛规模化养殖的不断发展,奶牛跛行的发病率愈发呈现出高发趋势,奶牛健康面临着长期、复杂且严峻的考验,奶牛养殖业的经济效益受到严重威胁。当前的牧场条件下,奶牛在养殖过程中难免有因患肢蹄病而引起跛行,因此及时准确地识别奶牛跛行的发生具有重要意义。针对目前人工检测奶牛跛行状况困难、智能化技术水平较低的问题,本研究以山西省晋中市太谷区普源泰奶牛养殖有限公司所饲养的荷斯坦奶牛为主要研究对象,采用机器视觉和深度学习技术综合研判奶牛的跛行情况,并对跛行程度分级验证,同时基于验证结果对检测模型加以优化完善,达到快速精准识别奶牛跛行的目的,以便农场主依据不同奶牛的跛行检测结果采取相应有效措施减少损失,提高奶牛福利水平。本研究的主要研究内容如下:（1）针对奶牛特定部位检测与定位困难,提出了基于Ghost Net的YOLOv4深度学习检测模型。为了验证模型的有效性,与YOLOv4、SSD等模型进行了比较。结果表明,Ghost Net＿YOLOv4模型在奶牛背部区域的检测精度AP值高达99.04%,其次综合考虑了全类平均精度m AP、模型的参数数量、图像检测速度FPS等指标,本研究搭建的Ghost Net＿YOLOv4模型在实时性、准确性、轻便性上综合表现良好。（2）针对运动目标像素区域提取困难,利用奶牛运动过程中目标与背景像素变化差距大的特性,提出添加了部分opencv形态学图像处理操作的Vibe+运动目标检测算法。为了验证算法的有效性,与Vibe算法、帧间差分法等算法进行对比。结果表明,本研究采用改进后的Vibe+算法在检测效果上优于其他算法,平均每帧处理速度为0.05s,满足实时检测的要求,更适合用于奶牛像素区域的检测。（3）结合Ghost Net＿YOLOv4对奶牛背部区域的检测与定位以及Vibe+算法对奶牛运动过程中目标像素区域的提取,提出将奶牛背部区域用检测矩形框包围,对矩形框内各像素点进行判定后获得奶牛背部上轮廓线的像素点集,利用该点集拟合奶牛背部上轮廓曲线,根据平均曲率在行进过程中的变化特点确定不同分类的阈值。结果表明,利用得到的平均曲率阈值对奶牛分类结果的总体准确率为91.67%,其中正常奶牛准确率90%,轻度跛行奶牛准确率87.5%,中重度跛行奶牛准确率97.5%。