养猪业是我国畜牧业的重要组成部分,猪肉占我国肉类总产量的60%。在大规模养殖场中,猪的体重是生产中的重要指标之一,产房的工作主要包括仔猪计数和称重,长期以来都由人力完成,随着养猪场规模不断扩大,产房事务变得繁杂,工作效率也比较低,且人为误差难以校正、生物安全难以得到保障。针对这一问题,本文研究了如何利用计算机视觉来自动化完成这一工作,以达到无接触获取仔猪体重的目的,并精确估计单个动物的生长曲线,评估其组内和组间的变异性,直接反映出仔猪的生长状况等信息。本研究开发了一个基于仔猪的彩色图片的仔猪个体分割模型和一个基于深度图像对仔猪实现体重预测的模型,该模型可以通过无接触的方式来实现仔猪整个生长周期的体重估测,并绘制每一头仔猪相应的生长曲线,为后续分析影响仔猪断奶重及断奶仔猪数的因素提供数据支持。通过比较多种模型的体重预测准确率,最终选择微调后的Xception作为最优体重预测模型,主要结果如下:（1）本研究收集处理了437张仔猪RGB图片,进行标注后得到标签信息文件,利用Tensor Flow框架构建了Mask R-CNN实例分割模型,模型不受饲养环境和光线影响,成功对仔猪实现了个体分割,模型最终的平均精度值为0.86。（2）利用图像增强方法,通过图像转置、添加噪声等方式实现数据集扩充,试验发现图像增强能显著减少模型过拟合的情况。不使用图像增强在训练集上平均绝对误差为0.11 kg,决定系数为0.99,测试集上平均绝对误差为0.45 kg,决定系数为0.78。使用图像增强在训练集上得到的平均绝对误差为0.35 kg,决定系数为0.88,在测试集上平均绝对误差为0.36 kg,决定系数为0.86,使用图像增强提高了模型泛化能力。（3）比较分析了体重预测模型在不同场景下的预测效果,使用仔猪在周转箱中的图像得到的平均绝对误差为0.35 kg,决定系数为0.85。使用仔猪在限位栏中的图像得到的平均绝对误差为0.47 kg,决定系数为0.71,在周转箱中拍摄的图像构建模型预测效果更优。（4）采用迁移学习的方法对比分析了Inception V3、Res Net101以及Xception三个模型预测仔猪体重的性能,其中Xception的预测效果优于另外两个模型。模型在测试上平均绝对误差为0.36 kg,决定系数为0.86,实现了无接触式预测单个仔猪个体体重,为生猪生产提供便利。综上所述,本研究针对产房仔猪计数和称重工作繁杂,且人为称重存在误差这一问题,通过使用仔猪RGB图像和深度图像构建了一整套自动获取仔猪体重的分析流程,体重预测模型决定系数较高,为实际生产提供了帮助。