猪只的异常行为往往与其所处环境、营养状况、心理情况等特性相关,及时准确地观测猪只异常行为对维护猪只福利有重大意义。猪只活动的视频蕴含了其大量的生存状态。常规的猪只信息提取,如大型猪场生产管理员数据录入、散养户人为收集、为猪只佩戴传感器等方式,收集速度较慢,数据分类不全面。同时,对猪只进行的物理性操作可能会引起应激反应,引起周围环境猪只的连锁反应。机器视觉技术能够在不接触猪只躯体的基础上,迅速收集猪只视频,同时提取图像特征,对猪只活动幅度较大的行为,如拱地、咬栏、攻击、跳墙等,可以进行分类识别。这种方式不仅能够避免因接触导致的猪只应激反应,提高了猪只福利,同时也对猪场的经济效益产生了积极的影响。但由于猪只大都处于运动状态,直接识别猪只行为往往效果不佳,因此本文基于视频分割前后的数据,利用神经网络进行识别,之后比较两者识别的结果得出结论。显著测地线视频目标分割法利用目标空间边缘和时间边缘进行显著性检测,能够准确地提取目标轮廓,但是单纯基于显著测地线的视频目标分割可能会丢失部分前景信息,并且不能很好地削减背景噪声。聚类算法可将相似类进行归纳,从而去掉不规则的噪声信息。基于以上问题,本文首先将显著测地线视频目标分割方法与密度峰聚类模块相结合,构建一种新的分割方法,以期最大限度地筛选出目标周边噪声并过滤掉。同时,将分割图像后产生的二值化矩阵与原图像矩阵进行点乘,在一定程度上保留了猪只本身的纹理及颜色特征。最后以深度学习的方式对采集的猪只翻墙、咬栏、攻击、拱地异常及正常行为进行识别,以图表的方式来讨论图像分割对于猪只行为识别精度的影响。主要研究结论如下:（1）利用该分割方法在DAVIS与采集的PIGⅠ数据集上进行验证,平均准确率（m PA）分别达到了94.65%、92.91%,与原算法相比,准确率提升了近10%,表明本算法能很好地降低背景噪声的干扰,具有良好的分割效果。和其他近几年算法做实验对比,本文算法结合时间信息,空间信息,以及聚类算法的优点,很好地消除了背景冗余信息,目标完整度较高。（2）PIGⅡ猪只数据的行为识别结果表明,Alex Net、Inceptionv3、Xception Net、Mobile Net、Res Net系列网络对猪只的平均识别精度分别达到了91.03%、97.99%、97.74%、95.83%、90.57%、94.31%、95.45%,分类精度均优于分割前。本文对猪只行为数据进行分割处理,可以使神经网络更加平稳地获取数据的特征信息,对分类的结果有较大提升,以期为猪只智能养殖与管理提供针对性和及时性的技术支撑。