我国是世界上第一养猪大国,自动化养殖是我国养殖业未来的发展趋势,获取动物个体信息、自动感知并分析其行为是精准畜牧业的核心问题。动物的行为状态能表现出对环境的适应性以及日常需求。目前,机器视觉技术在智能养猪方面应用广泛,已涉及到猪只个体识别、行为监测、体尺测量、肉质评定等领域。本文研究内容主要是针对养殖场内的猪只行为进行识别,包括视频数据的获取及数据集的构建、深度学习目标检测算法模型在猪只行为识别方面的试验及评估、基于模型设计猪只行为识别系统可视化操作平台三部分。（1）根据实际环境,建立了相对理想的数据集。考虑到猪场自然环境下,光照及周围设施会对视频质量造成影响,经过实地观察及试验后,确定了猪舍内摄像头的安装位置。拍摄完成后,将视频数据裁剪为图片并进行人工筛选,保留了不同光照强度的图片,剔除了不清晰图片。在标注后,使用统计程序对各行为类别数量进行统计,以保证各类行为数量与猪只正常生活习惯保持一致。（2）研究了基于深度学习的猪只行为识别目标检测算法。本文对猪只的趴卧、站立、进食、坐立及侵略性行为进行识别,使用同一数据集对YOLO v3、Faster R-CNN、EfficientDet D2、YOLO v4 模型进行训练,其 mAP 分别为 92.84%、93.46%、91.70%、97.05%,且YOLO v4训练使用时长最短,为12小时,单张图片检测速度最快,仅使用0.038秒,说明YOLO v4更好地满足了精度和速度需求。在对YOLO v4模型完成进一步训练后,模型的精度值达到了 98.09%。针对猪只间存在的异常侵略性行为,使用YOLO v4模型进行了预测,结果表明模型可在行为发生前1秒内准确预测。（3）基于模型评估、对比选择的YOLO v4模型设计了方便养殖人员操作的猪只行为识别系统。针对使用环境的各异性,操作系统具有三种功能:使用自备数据进行模型训练;使用已训练好的模型,对图片、视频及摄像头数据完成识别;对训练好的模型进行评估,展示其平均精度值及损失函数曲线。本文基于深度学习目标检测算法,对养殖场舍内散养猪只的行为进行了深入研究。经过模型训练及评估,可以发现YOLO v4模型在这一应用场景的识别效果最好,可以有效地对猪只行为分类,并对侵略性行为进行预测。设计了猪只行为识别系统可视化操作平台,将目标检测算法应用于实际生产中。