养殖场中对养殖病猪的生活状态观测及疾病预防大多都是依靠人工观察来完成,容易受到个人经验和自然环境等因素的影响。研究表明,猪只的较长时间垂头站立或者较长时间躺卧行为表示猪只处于疲劳状态或者患有疾病的概率较大[1],需进一步检查身体状况,进而采取下一步治疗措施;如果猪只较长时间抬头站立,表明猪只可能被外界刺激和扰乱,或者是害怕、恐慌等,有必要检查猪舍的内部和周围环境。如果通过人工的方法进行检测猪只的状况,不仅劳动强度大,而且不及时。因此,应用视频监控方式的数字化养殖已经开始出现,该方法不仅可以及时对猪只的状态有所掌握,同时也可以大大减少劳动力,降低养殖成本。猪只的目标检测是猪只的行为分析和数字化养殖的重要前期工作,为了得到准确的猪只的状态,及时发现患病隐患,本文首先利用深度学习技术对猪只姿态进行检测。为了提高检测精确度、减少网络参数的数量,本研究首先通过对猪只个体特征的分析,提出了改进ResNet模型用于猪只检测,改进模型通过跨层连接来获取猪只特征之间的关系,加入了新的残差块来提高模型的特征表达能力,减少网络的层数以降低网络的复杂度。改进模型是通过减少卷积层的数量,构建不同类型的残差块,增加部分卷积层中的卷积核个数,在减少网络结构深度的同时增强网络模型的特征表达能力,降低改进模型的训练难度,提高改进模型的分类准确率。实验表明,改进的模型在降低网络深度的情况下仍具有良好的特征表达能力,有效提高了猪只个体检测的准确率。目标的检测与处理是对猪目标特征提取和体态进行识别的基础,检测的结果直接影响到体态识别的准确率,因此,选取合适的目标检测算法对猪只目标提取的完整度和清晰度至关重要。为了提高猪只行为分析准确度,需要采取相应的图像处理方法对检测结果进行优化,这也有利于后续猪只特征提取及行为识别。本文对图像滤波、图像增强、图像边缘提取及分类的相关技术分别进行了详细研究,针对猪只特征的提取提出了一种改进双边滤波器的方法,实验证明,该方法可以有效的提取猪只的边缘轮廓。具体研究内容如下:1)对深度学习相关理论及动物姿态识别方法进行研究,以备寻找到适合猪只个体检测有效的方法,且方法能在一定程度上克服环境影响,从而可以为后续的猪只的行为分析打下基础;2)通过对猪只个体特征的分析,用AlexNet、GoogLeNet、ResNet的CNN网络模型分别对猪只进行了检测实验,给出了一种用于猪只检测的改进卷积神经网络模型,同时用不同数量的数据集对改进的模型进行了训练和测试。实验结果表明,当使用数量较少的数据集时,模型测试精度和网络性能比数量多的数据集训练和测试低。相同数量的训练集与测试集用于对猪只进行检测时,AlexNet结构的训练精度为94.2%,测试精度为90.4%;GoogLeNet模型的训练精度为96.7%,测试精度为93.1%;ResNet模型的训练精度为97.7%,测试精度为95.3%;改进ResNet模型的训练精度为98.2%,测试精度为96.4%。相比之下改进的ResNet模型的性能优于其他模型,可见,本文改进的模型可以有效的对猪只进行个体检测;3)对猪只轮廓进行了分析,在对猪只形状描述中,由于有实时的要求,所以选用基于边界的形状描述方法。为了有效的对猪体态进行检测的方法,本文用形状拟合的方法,用四个椭圆拟合猪只的整体形状,实验表明使用椭圆形状参数来描述猪的轮廓,可使类内的多样性差异被忽略;4)对图像处理进行研究,本文对图像滤波、图像增强、图像边缘提取的算法分别进行了详细研究,针对猪只特征的提取提出了一种基于改进双边滤波器的Canny边缘提取的方法,实验证明,该方法可以有效的提取猪只的边缘轮廓;5)对猪只进行状态识别的研究,本文在对猪只进行状态识别的过程中,提出了一种加权欧几里德距离匹配的KNN分类方法,实验表明本文提出的分类方法在识别过程中可以用较少的计算代价来获取较高的识别准确率。