随着我国蛋鸡养殖规模的不断扩大,蛋鸡饲养模式的自动化程度也需要随之不断提升。蛋鸡的鸡冠形态变化直观反映着蛋鸡的发育情况和健康状况,是选育高产蛋鸡的重要参考指标之一,但目前关于蛋鸡鸡冠形态与产蛋性能关系的研究不足。在实际生产中,对于蛋鸡体重和鸡冠形态的监测多采用传统的人工方式,存在效率低下,且易造成蛋鸡应激反应的问题。针对这一现状,本文以罗曼灰蛋鸡作为研究对象,进行了基于图像处理的蛋鸡鸡冠形态与产蛋关系的研究,主要内容及研究结论如下:（1）构建基于图像处理的蛋鸡体重估测模型。设计试验鸡图像采集平台,采集6～20周龄蛋鸡的鸡身俯视图像、实际胫长和体重数据。对蛋鸡俯视图像进行预处理,经计算提取出投影面积、长度、宽度、轮廓周长、离心率五种目标特征,通过一元拟合分析、逐步分析法和MLP神经网络方法将特征参数和实测体重进行拟合,建立多种体重估测模型,并进行估计准确性的比较。结果表明:MLP神经网络模型估测结果最为精确,决定系数（R2）达0.960,平均相对误差为4.29%,可作为一种有效的估测蛋鸡体重的方法。（2）实现基于图像处理的鸡冠形态监测。采集产蛋期蛋鸡的鸡冠侧视图像,选取L*a*b*颜色空间中的a*分量作为鸡冠分割的特征参数,采用最大类间方差法进行阈值分割,鸡冠目标提取的准确率为92.11%。基于鸡冠形态的全局特性,采用凸包检测的方法定位鸡冠的最高冠齿,进而提取出鸡冠形态的主要特征参数:冠长、冠高、冠面积和颜色特征。（3）研究蛋鸡鸡冠形态与产蛋性状之间的关系。利用相关性分析方法分析了 20～30周龄蛋鸡的鸡冠形态与产蛋性能的关系;将20周龄的鸡冠形态参数作为输入,依据蛋鸡30周龄时的累计产蛋量将蛋鸡分为:高产蛋鸡、中高产蛋鸡和低产蛋鸡,建立灰狼算法优化支持向量机（SVM）的产蛋量分级模型,结果表明:该模型的测试集分类准确率可达94.28%;依据蛋鸡20周龄的鸡冠形态参数和开产日龄,进一步构建差分进化改进灰狼算法优化SVM的产蛋量预测模型,结果表明:该预测模型相对BP神经网络模型预测效果更好,测试集R2为0.861。