近十年养猪业的高速发展使我国成为世界第一养猪大国,但同时养猪业也面临生产水平不足问题。随着人工智能技术的发展,智能设备已开始应用到猪企中用于提高生产力。在养猪业母猪发情检测对于提高母猪窝产仔数扮演着重要角色。通过对国内外相关文献研究及猪企实际需求调研,猪只在发情期主要表现为静立、外阴红肿、猪只弓背站立、躁动等异常行为。其中静立反应是猪只发情期间最主要外在表现,本文以猪只静立反应的识别作为主要研究内容,将人工智能方法引入到发情检测过程中,提出一种基于机器视觉的母猪查情方法。在该方法中将静立判定分为两个阶段,阶段一对猪只进行轮廓识别,阶段二进行轮廓匹配。本文主要完成以下几方面工作:1、对于轮廓识别分割模型,本文在Mask RCNN模型的基础上提出一种更适合猪只轮廓识别分割网络模型（PCNN）。该模型使用深度可分离卷积作为模型基本操作单元来减少模型的计算量,同时减少参数的产生。使用Ga-RPN替代Mask RCNN模型中原有的RPN网络减少无用anchor的产生。通过实验证明改进后的轮廓提取算法性能有较大提升。在猪只轮廓识别中相对Mask RCNN算法识别精确度提高1.01%,同时识别速度从682ms减少到372ms。2、对于猪只静立行为判定模型,针对猪只静立时的特点以及采集到的连续图像数据分析,提出基于VIBE的轮廓匹配算法,该算法采用前后背景对比方式进行模板匹配,针对数据特点对背景空间初始化、模型更新,通过数据分析设置模型中模板匹配相似度阈值与静立判定时间阈值,解决了轮廓识别精度不高造成的误差以及猪耳或猪尾抖动引起的轮廓变化对静立判定影响。实验表明本文提出的基于VIBE的轮廓匹配算法在猪只静立判定方面远优于传统轮廓匹配算法,准确率高达92%。本文通过对猪只轮廓的识别与匹配实现了基于机器视觉的母猪查情,为了测试模型整体的鲁棒性与识别精确度,本文中在猪场真实的环境情况下进行测试,验证了本文提出的检测方案可以辅助（或代替）专业人员进行发情检测。