三江源地区的畜牧业是该区域的支柱产业,牦牛养殖是产业发展不可或缺的部分。随着养殖规模的扩大与技术的发展,牦牛的养殖与研究取得了不菲的成绩,但仍然面临着成本高,收益差,决策不准确等问题。本文从青海地区的部分牧场采集相关数据,利用数据挖掘与人工智能等方法对养殖过程进行分析,主要围绕牦牛体重估算,等级划分与生长模型建立三个方面进行研究,主要研究结果如下:(1)在利用简单的体尺维度估算牦牛体重方面,分别采用多元线性回归(LR),支持向量机(SVMs)与随机森林(RF)的算法,以牦牛体高、体斜长、胸围、管围作为输入变量,体重作为响应变量进行预测,得到LR算法的预测精度为0.997,RF算法预测精度为0.998,SVMs算法预测精度为0.820。RF与LR算法在牦牛数据集上体现出良好的预测能力,并且误差均在可接受范围内(通常认为小于等于10%)。(2)针对牦牛品种选育优化等问题,对牦牛等级划分的研究采用多项Logistic回归、典型判别函数、多层感知器人工神经网络三种方法分别进行分类预测,以牦牛的生长体型属性、评分数据、人工等级标注数据为依据,进行等级划分。基于多层感知器的人工神经网络方法的分类性能最好,预测精度达到97.7%,多项Logistic回归算法与判别函的预测精度分别为96.5%和95.1%。结果表明,多层感知器人的人工神经网络方法能够对牦牛的等级进行科学有效的分类。(3)为了对牦牛生长发育规律做出更好的描述,分别采用Compertz、Logistic、Von Bertalanffy与Brody生长模型,对牦牛的体尺与体重进行拟合分析发现:Von Bertalanffy模型对于牦牛体重的拟合效果最好,Logistic模型在牦牛管围的分析中拟合效果最好,而Brody模型在牦牛的体高、体斜长、胸围的分析中均表现出良好的拟合性能。通过回带检验模型,Von Bertalanffy模型对于体重的测定值与原均值的平均相对误差为8.801%,Logistic模型对于管围的测定平均误差为2.146%,Brody模型对于体高、体斜长、胸围的测定平均相对误差分别为4.280%、2.367%、0.175%。说明研究建立的模型能够对牦牛的生长发育规律做出很好的拟合。文章以上研究成果能够为决策人员在牦牛养殖的体重测定,等级划分,生长发育管理等环节中做出科学决策提供一定的数据支持,对牦牛养殖工作的有重要意义。