自动、精准监测群体奶牛反刍行为对奶牛疾病防治、健康养殖、择时授精以及提高养殖场科学管理水平和生产效益具有重要意义。针对现有基于视频分析的奶牛反刍监测方法仅针对个体奶牛,难以满足对群体奶牛反刍监测的应用需求,且准确性和鲁棒性亟待提高等问题,本研究采用深度学习和机器视觉技术,利用奶牛反刍时的嘴部咀嚼运动,开展自然养殖环境下多目标奶牛反刍行为监测方法研究,以期为智能化奶牛养殖生产提供技术支持,主要研究内容和结论如下:（1）设计并搭建了群体奶牛反刍视频采集系统。根据奶牛日常反刍情况和养殖场实际调研情况,研究了多相机协同、昼夜24h不间断的棚舍奶牛视频自动采集和存储方法,经过人工筛选共获得86段供试视频;根据试验需求,对供试视频进行处理,共得到不同养殖环境下的3200幅多目标反刍奶牛图像和11段测试视频,为后续的方法研究与验证提供试验数据。（2）研究并提出基于YOLOv4的多目标奶牛嘴部区域检测方法。在分析反刍奶牛嘴部特点的基础上,以CSPDarknet53网络提取输入图像特征,采用空间金字塔模块（Spatial Pyramid Pooling,SPP）和路径融合网络（Path Aggregation Network,PANet）融合多种尺度的特征信息,并利用CIo U损失函数提高预测框的准确性。试验结果表明,YOLOv4模型对奶牛嘴部上颚区域的检测精度为93.68%,比YOLOv5、SSD、Faster RCNN模型分别高0.21、3.65、1.99个百分点;对嘴部下颚区域的检测精度为92.13%,比YOLOv5、SSD、Faster RCNN模型分别高1.61、6.34、2.88个百分点,该方法可以在自然养殖环境下自动、准确检测多个奶牛嘴部上颚区域和下颚区域,且对复杂环境具有较高的鲁棒性。（3）研究并构建基于检测的多目标奶牛嘴部上、下颚区域跟踪方法。在YOLOv4检测模型的基础上,以卡尔曼滤波算法预测上颚区域位置,并结合基于重叠度（Intersection over Union,Io U）的匈牙利算法实现相邻帧中上颚区域的正确关联;采用基于欧氏距离的匈牙利算法有效匹配同一奶牛目标的上颚和下颚区域;提出降低头部转动、栏杆遮挡等干扰的改进方法,最终实现复杂养殖环境下多目标奶牛嘴部上、下颚区域的稳定、高效跟踪。以11段不同复杂度的测试视频进行试验,ID变化率均为0,ID匹配率为99.92%,算法平均运行速度为31.98帧/s,表明该方法可以充分改善奶牛ID跳变的问题,且能够正确关联上颚区域和下颚区域,同时,对恶劣天气、栏杆遮挡、奶牛快速摆头运动以及夜间等复杂环境的干扰有良好的鲁棒性。（4）研究并提出基于嘴部跟踪轨迹之差的咀嚼次数和反刍时长检测方法。在正确跟踪嘴部区域的基础上,以上颚和下颚的跟踪轨迹之差建立反刍咀嚼曲线,以此分析反刍奶牛嘴部咬合状态,从而识别反刍行为,并获取反刍时长和咀嚼次数的反刍信息。结果表明,本文提出的咀嚼次数和反刍时长检测方法具有较高的准确率,咀嚼次数平均正确率为95.81%,反刍时长平均相对误差为4.31%。（5）设计并开发基于云端的奶牛反刍行为检测系统框架。利用应用端、云服务器和深度学习工作站,将本文提出的研究方法集成为一个系统,实现了养殖场奶牛反刍活动的长期、稳定监测。通过反刍奶牛视频对系统功能和性能进行测试,结果表明,该系统具有良好的可用性和稳定性。