目前人工智能、机器人技术、大数据等领域正处于迅速发展的阶段,巡检机器人在智能养殖中得到广泛应用,目标检测可在巡检过程中提供畜禽个体的分类和位置信息,然而实际养殖环境设施复杂、目标遮挡严重、畜禽位置姿态多变等问题给目标检测过程增添了难度,同时在目标检测过程中,畜禽个体的整体检测可获得目标整体信息,其各部位检测可获得目标更具体的局部信息,然而存在整体信息和局部信息的错误关联,将导致巡检过程出现目标识别和定位错误问题。以设施养殖的RGB及红外图像中的奶牛为具体对象,针对目标检测问题进行研究,由于传统检测算法无法完成实时且精确的目标检测,选择基于深度学习技术的目标检测模型完成奶牛目标检测任务。首先构建RGB及红外奶牛数据集,并从深度学习算法中选择Faster RCNN、Yolo v3、Yolo v4、SSD四种,分别对两个奶牛数据集进行训练验证并对比性能,最终选择性能最佳的Yolo v4作为目标检测的基础算法。鉴于前述实际养殖条件直接影响到奶牛目标检测精度,提出了Res PSAYolo v4算法,即在Yolo v4网络中添加残差单元与注意力机制相结合的Res PSA模块,以增强多尺度语义信息和目标区域特征,在拓宽网络深度的同时避免网络退化,同时应用K-means++算法对自建数据集标注框尺寸聚类计算,获得最佳anchor模板。采用改进后的Yolo v4算法,对RGB及红外奶牛数据集上检测的m AP值分别达到了77.99%和78.29%,相较于原始Yolo v4分别提升了3.65%和4.54%,且各类别的Recall值和AP值均有所提升,同时保证了检测的实时性。针对奶牛整体和头、尾两个部位目标检测输出的Bounding Boxes,设计了一种目标部位组合算法,实现了同一头奶牛的整体框和头与尾两类部位框的关联组合。首先基于Io P（Intersection over Part box）阈值判断进行初步部位组合,然后利用“剔除法”和基于Mask RCNN的“一对多”和“多对一”部位重组方法,解决密集奶牛目标导致的错误组合情况,经实验验证,RGB及红外目标Bounding Boxes的部位组合精度可分别达到98.20%和97.89%。