在生猪养殖管理中,饲养员时刻面临猪只咳嗽、应激反应等突发情况。通过实时监测猪只状态,有助于饲养员及时掌握猪只健康、生理等状态。因此,对生猪状态进行识别是生猪福利养殖中的重要一环。本研究利用语音识别技术对生猪音频进行识别以实现生猪状态的监测。本文主要研究内容有生猪音频信号的预处理、生猪音频特征的提取及融合、构建基于双向长短时记忆单元的生猪音频识别模型和设计并实现生猪音频识别系统,具体研究工作如下:1)建立长白猪叫声音频数据库。为获得单一且纯净的猪声语料,对连续的生猪音频进行多窗谱估计的谱减法去噪、端点检测等预处理。对单个的猪声语料进行人工标记,构建了包含长白猪进食声、发情声、咳嗽声、嚎叫声和哼叫声共3750个的音频数据库。2)生猪音频特征提取与融合。提取音频数据库中每个音频的梅尔频率倒谱系数（Mel Frequency Cepstrum Coefficient,MFCC）和线性预测倒谱系数（Linear Prediction Cepstrum Coefficient,LPCC）,对MFCC和LPCC进行特征组合和特征融合,得到了对猪声表征能力更强的FUSION特征和FUSION（Fisher）特征。3)构建生猪音频识别模型。为有效识别猪只进食声、发情声、咳嗽声、嚎叫声和哼叫声,用猪声音频特征和独热码制作猪声音频特征数据集,构建了基于双向长短时记忆单元的猪声识别声学模型。用声学模型对4种音频特征进行建模,并定义准确率指标来量化模型性能。采用MFCC、LPCC、FUSION和FUSION（Fisher）特征进行建模,通过5折交叉试验验证,模型平均准确率分别为89.79%、84.80%、92.35%和94.13%。采用基于Fisher准则的特征融合方法,当选取32维的FUSION（Fisher）特征进行建模时,模型能达到最佳识别效果,5折交叉试验验证平均准确率为96.48%。用加噪后的猪声语料进行算法应用测试,在低信噪比噪声环境下,相较于采用单一特征（MFCC、LPCC）进行建模,采用融合特征（FUSION、FUSION（Fisher））进行建模,模型的准确率更高。4)生猪音频识别系统设计与实现。利用Nano PC-T4开发板采集、传输猪声音频数据,服务器端对接收的音频数据进行处理,并用构建的声学模型实现了5类猪声的识别。