野生动物是自然生态系统的重要组成部分,保护野生动物对维系生态平衡起着举足轻重的作用。野生动物保护工作的开展需要对其本底资源进行调查,包括物种的组成、分布、数量等信息,因此对野生动物进行监测尤为必要。目前的监测技术存在着物种适用范围狭窄、数据处理效率低等问题。为了推动和完善野生动物监测网络的建设,本文围绕野生动物监测的前端数据获取和后端数据处理两个方面,应用深度学习技术以野生蛇类作为对象进行研究,主要研究工作及研究成果如下:1)提出基于深度学习技术实现后端数据处理的解决办法。本研究所针对的数据为图像或视频,将后端数据处理分为两个部分进行,首先通过目标检测技术对大量的图像或视频中对出现蛇的图像或视频画面进行检测和定位,筛选出有效部分。其次通过图像识别技术可以根据蛇的图片自动判别出蛇的种类,辅助完成数据的分析工作,降低工作的难度。2)建立能有效筛选出蛇图像的目标检测模型。野生蛇类的监测是在自然环境背景下,为能有效检测实现蛇的目标检测,按照尽量贴近实际检测情况的标准对图像数据进行采集和收集,经过标注建立用于训练目标检测模型的数据集。使用YOLOv5作为目标检测模型,对模型进行训练,并对模型的性能进行衡量。训练后的模型准确率和召回率达到了97%和94.5%,而平均精确率m AP@.5和m AP@.5:.95分别达到98.4%和83.1%。实验结果表明本研究建立的目标检测模型能有效地完成蛇的检测,从大量的图像或视频中检测出包含蛇的有效部分,并且为后续嵌入式设备上面实现蛇的检测提供技术支持。3)建立能有效识别出蛇种类的图像识别模型。蛇类自动识别过程中的难点和要点是这些外貌特征相近的蛇种,针对这个问题,本文改进了Res Net图像识别模型,并进行训练和测试,试验数据选择外貌特征相近的蛇种的图片。在相同的试验条件下,改进后的模型在测试集上的识别准确率达到89.63%,相比改进前提升了4.82%;根据识别结果的混淆矩阵得到,改进后的模型对每种蛇的正确识别数量均得到提升,平均识别精确率到达89.59%。实验结果表明,该模型能有效判别蛇的种类。4)在嵌入式设备上实现蛇的监控与检测功能。以Jetson Nano作为嵌入式开发平台,采用基于Deepstream的视频处理分析方案,将建立好的目标检测模型进行格式的转换部署到Jetson Nano上。开发后的平台能够实现视频监控功能获取视频,并进行目标检测处理,将处理的结果进行展示和保存。实验结果表明,系统能很好地进行视频流的传输与处理,区分自然背景与蛇对象。该研究对野生蛇类的监测提供了可行的解决方案,为新技术在野生动物保护中的应用提供思路,为推动建设野生动物监测系统、完善野生动物监测网络提供技术支持。