当前,国内畜牧企业不仅要不断提高生产管理的精细化水平,还要应对疫情导致的各类风险挑战。而畜牧业的智能化转型升级已经成为企业发展的主攻方向。推动人工智能技术在畜牧业的广泛应用,促进智能畜牧应用成果转化,能够实现畜牧业高质量发展。在奶牛养殖过程中,及时准确的鉴定奶牛发情期能够使奶牛适时受孕,缩短产犊间隔,提高产奶量,进而提升奶牛养殖的经济效益。而传统的奶牛发情鉴定主要依赖牧场管理人员的经验进行判断,不仅耗时还容易造成漏检。奶牛发情时由于体内激素变化,会出现一些特殊的行为特征,例如兴奋、运动量增加等,因此可以通过计步来预测发情。然而传统计步器在工作过程中需要持续采集加速度进行计步,导致处理器时刻处于运行状态,整体功耗较高。此外,在奶牛产后的泌乳盛期,很多奶牛存在隐性发情,出现运动特征不明显的现象,对于此类情况仅通过计步器来监测还是无法准确鉴定发情期。为了解决加速度计需要持续运行无法休眠、和构建准确的奶牛发情预测模型这两个问题,本论文设计了一套面向奶牛发情期预测的低功耗牛耳标及系统,其中牛耳标实现数据采集功能,再将数据通过BLE低功耗蓝牙发送给蓝牙网关,蓝牙网关接收到数据后,通过Lo Ra模块发送给中继网关,中继网关通过Wi-Fi将数据发送给物联网云平台,最后通过云服务器实现数据处理。第一,针对现有的加速度计在计步过程中无法实现休眠导致整体功耗过高的缺点,为了降低硬件功耗,本论文首先提出了一种间歇采样计步模型,牛耳标进行间歇工作采集数据,通过云服务器进行模型训练并预测休眠时的步数。为了进一步降低硬件功耗,提出一种基于动态占空比的计步间歇采样模型,能够根据奶牛的运动状态动态调整工作模式。第二,针对传统发情预测模型难以预测隐性发情奶牛,提出基于运动量和体温的奶牛发情预测模型。根据奶牛步数与发情周期相关性研究,从统计学角度合理的生成了数据集,并对数据集进行预处理提取特征向量。并通过不同监督学习分类模型来评估发情预测的准确率。本文在计步间歇采样模型中,设置工作周期绝对时隙为5s,平均工作电流为0.76m A,当进入休眠模式时,平均电流为7.7u A,指标明显低于同类产品的能耗。采用计步间歇采样模型进行实验验证时,对比了50%、70%、90%占空比时的预测结果,各模型的实际步数与预测步数的均方根误差比较如下:决策树＞随机森林＞KNN＞SVM,根据能效比筛选,最佳模型为SVM。本课题设计了动态占空比工作模式,能够根据奶牛的运动状态在50%,70%,90%占空比切换。在基于运动量和体温的奶牛发情预测模型中,根据奶牛行为特征来生成数据集,在不同机器学习模型下,奶牛发情预测模型准确率分别为KNN（99.32%）、SVM（99.42%）、决策树（99.51%）、随机森林（99.51%）,LVQ（99.06%）,本论文最终采用的发情预测模型为随机森林。