畜牧业作为农业的重要组成部分,在国民经济发展中的基础地位不可动摇。综合考量养殖环境、品质及效率等因素,生猪集约化养殖意义重大。目前,现代集约化养猪场已经逐步实现无人值守,对无人值守养猪场中生猪异常行为进行智能监测,是实现安全养殖、高品质养殖和高效养殖的现实需求。本论文运用机器视觉技术、声音识别技术和超声波技术三种监测手段,从多角度对生猪异常行为进行数字化综合监测,最后采用多源信息融合方法对生猪多源多时段异常行为进行融合评价。主要研究内容如下:（1）基于机器视觉的生猪动作异常监测生猪聚散程度与生猪疾病预防、热舒适性密切相关,生猪打斗行为会影响生猪健康状况与福利水平。为了检测复杂环境下圈养生猪的聚散程度与打斗行为,采用机器视觉技术识别生猪过度聚集与打斗行为。针对复杂养殖环境下,传统目标检测方法在生猪个体检测过程中的局限性,提高对紧密接触生猪的检测精度,提出了结合改进多视窗检测方法和单点多盒检测器（Single Shot Multi Box Detector,SSD）的生猪目标检测方法,并定义了生猪离散度以表征生猪聚散程度,通过实验比较,设定合适的离散度阈值,实现生猪过度聚集检测。在生猪打斗行为识别过程中,针对生猪打斗行为特征,提出了结合帧间差分法（Frame Difference,FD）和SSD的运动生猪个体检测方法,可以有效排除环境因素与静止生猪对打斗行为识别的干扰,确定运动生猪位置,最后根据检测到的运动生猪位置信息与运动持续时间,设计了生猪打斗行为判别方法,该方法可以有效地识别圈养生猪的打斗行为,为饲养员判断生猪异常行为提供依据。（2）生猪异常声音的改进多重支持向量数据描述识别方法生猪在身体状况发生变化或外界环境刺激下会发出不同的声音,本论文选择常见的惊骇声与咳嗽声作为生猪异常声音。为了检测并分类生猪惊骇声和咳嗽声,提出了生猪异常声音的多重支持向量数据描述（Multiple Support Vector Data Description,Multi-SVDD）识别方法。针对训练样本标记错误容易导致Multi-SVDD在训练中出现欠拟合,影响识别精度的问题,根据每个训练样本的重要性赋予相应的权重,对Multi-SVDD进行改进,提高模型的容错能力。实验结果表明,改进Multi-SVDD可以有效地识别生猪异常声音,且具有较强的适用性。（3）生猪饮食异常的改进PSO-SVDD判断方法生猪饮食在一定程度上可以表征生猪的健康状况,本论文采用课题组设计的基于超声波的生猪饮食数据采集装置采集生猪饮食数据,以生猪每天的饮食次数与饮食时间数据为基础,提出采用SVDD对生猪饮食异常进行判断。针对SVDD中惩罚因子与核函数参数难以确定的问题,利用粒子群优化（Particle Swarm Optimization,PSO）算法对SVDD参数进行优化。由于生猪饮食异常具有一定的模糊性,传统决策函数进行模糊决策时精度受限,本论文通过构建模糊决策函数对PSO-SVDD进行改进,并利用改进PSO-SVDD模型对生猪饮食异常进行判断。实验结果表明,该方法可以更加准确地判断生猪饮食异常。（4）生猪多源多时段异常行为的灰色证据组合模型融合评价方法由于在生猪异常行为监测过程中,单一的监测手段很难全面、准确地实现生猪异常行为自动监测,因此需要从多角度、利用不同的监测手段进行融合判断。同时,为了避免单一时段异常判断结果的偶然性对异常等级评估造成影响,本论文采用结合灰色聚类评估模型与D-S证据理论的灰色证据组合模型对生猪多源多时段异常行为进行融合评价。针对D-S证据理论融合高冲突证据时无法得到合理结果的问题,引入证据可信度对组合规则进行改进。该方法可以有效地对生猪多源多时段异常行为进行融合评价,为饲养员提供有效的生猪异常信息,提高监测效率。针对集约化养猪场中生猪异常行为智能监测问题,设计了生猪异常行为多源监测系统,通过机器视觉技术、声音识别技术与超声波技术检测不同的异常信息,并对多源异常信息进行融合评价,有助于提高集约化养猪场的工作效率,为生猪行为监测从人工到数字化、智能化的升级转换提供了一定的理论支持和技术保障。