随着奶山羊规模化养殖的推进,对羊场的精准监控及高效管理已成为亟待解决的问题。通过对羊场图像的语义分割,观察羊场环境和奶山羊的姿势与位置,可以实时监控奶山羊的行为状态,及时发现奶山羊的健康问题。本文以西北农林科技大学畜牧教学试验基地的奶山羊场图像为研究对象,构建羊场图像语义分割数据集,改进DeepLabV3+的解码网络,并优化ASPP结构,结合通道注意力机制,利用提取的图像特征,实现了羊场图像的语义分割。本文的主要研究内容和结论有:（1）羊场图像语义分割数据集的构建。针对现有羊场图像语义分割数据集不足的情况,通过网络摄像机采集数据并进行筛选,获得原始图像数据集,利用Labelme软件进行标注获取语义分割标签图。最后通过翻转变换、旋转变换和放缩变换的方式实现数据增强,同时划分训练集和测试集,为后续的研究奠定了数据基础。（2）基于改进DeepLabV3+的羊场图像语义分割。针对语义分割模型分割结果边缘不精细的问题,提出一种改进DeepLabV3+的羊场图像语义分割方法DP-DeepLabV3+。在解码网络中增加特征融合次数,充分利用编码网络的特征信息,并在羊场图像语义分割数据集上与多种经典的语义分割模型进行了对比。实验结果表明,DP-DeepLabV3+网络的PA达到93.75%,MIo U达到75.19%,具有较高的边界分割精度。（3）基于通道注意力的羊场图像语义分割。针对DP-DeepLabV3+模型存在对小尺度目标分割模糊和漏分的情况,提出一种基于通道注意力的羊场图像语义分割模型SE-DeepLabV3+。在DP-DeepLabV3+的基础上,优化ASPP模块提高特征信息的利用率和加入通道注意力模块突出关键特征,使模型分割精度得到提升。为进一步提升模型的性能,利用提取的图像特征作为网络输入来优化模型,发现原始图像结合边缘特征作为网络输入的方式表现最佳,能有效改善对小尺度目标的分割效果。实验结果表明,SE-DeepLabV3+在羊场图像数据集上PA值达到96.34%,MIo U值达到78.23%,具有较好的分割性能。综上所述,本文基于DeepLabV3+网络实现了羊场图像的语义分割,这对促进奶山羊的规模化养殖,提升奶山羊养殖的智能化管理水平有重要的推动作用。