在畜牧养殖业智能化的发展过程中,对动物个体进行精确化识别是不可或缺的一部分。而面部识别技术是个体化精确识别技术中非常重要的分支。在面部识别技术中,面部及其关键点检测技术亦是该领域的难点所在。因此本文基于深度学习技术设计出了精确率较高、检测速度较快的动物面部及关键点检测算法。首先,根据动物面部特征的特点,采用了传统面部特征检测算法MTCNN面部检测算法作为动物面部及关键点特征检测的基本网络框架。然后,根据动物面部特征具有多尺度的属性,利用卷积神经网络设计了一种多尺度特征提取的网络来进行候选框的选择,通过RoI Align的方式对候选框进行特征归一化处理,实现候选区域的自动化提取的功能,进而完成动物面部特征的多尺度特征的提取,节省了 MTCNN网络特征提取的时间,提高网络模型对较小面部区域的检测精度及召回率。另外,根据在传统模型的训练过程中需要大量图像数据及动物面部特征的特点,利用卷积神经网络设计了一种动物面部与人脸迁移模型,通过仿射变换的方式对人脸面部数据进行特征迁移,利用特征迁移后的人脸数据对改进的MTCNN网络模型进行预训练,然后在预训练的网络模型的基础上,利用动物面部数据对模型进行Fine Tuning训练,进而实现动物面部及其关键点的精确检测与定位。实验结果表明,利用多尺度特征提取的方式提取图像候选区域可以提升模型对小物体的检测效果,利用面部转换模型数据对网络模型进行预训练,然后利用Fine Tuning训练的方式对模型进行训练得到的网络模型效果更佳,与其他检测方法相比,该方法使得网络模型具有更高的精确率与召回率。满足模型的预期设计需求。