奶牛养殖是我国畜牧业的重要组成部分，对提高我国农业经济增长发挥着重要作用。在奶牛养殖业中干物质采食量是奶牛健康生产所需营养物质的量化基础，是衡量奶牛生产性能和潜力的重要指标，因此，准确评估奶牛采食量对实现奶牛精准饲喂、估算个体奶牛养殖效益具有重要意义。然而在实际生产中个体奶牛采食量难以通过人工方法直接获取，而现有的采食量评估方法存在评估精度相对较低、运行成本相对较高等缺点，因此，在奶牛养殖中如何准确、简洁、高效地评估奶牛干物质采食量已成为此类研究的热点所在。本文利用机器学习算法开展奶牛采食量评估研究，首先通过文献资料以及牛场饲喂数据，分析出采食量与各影响因素之间的关系，从而构建了基于KNN回归、SVR、线性回归、决策树回归、BP、DNN以及改进BP神经网络的奶牛采食量评估模型，并通过现场实测值与模型评估值的对比分析，找到最适用于奶牛采食量评估的模型算法，主要研究工作如下:
　　(1)奶牛采食量数据采集与预处理:选用CowControl系统以及电子秤设备获取奶牛采食量及其相关影响因素试验数据，包括采食时间、体重、步数、躺卧时间、趴卧次数、饲料的精粗比以及个体采食量，并对各试验样本数据进行预处理，为后续研究奠定数据支撑。
　　(2)基于机器学习的奶牛采食量评估模型构建:首先构建了基于KNN回归、SVR、线性回归、决策树回归、BP、DNN神经网络算法的奶牛采食量评估模型，并进行相关参数调优，再对各模型评估效果进行对比分析，研究结果表明基于机器学习的奶牛采食量评估模型可用于奶牛采食量评估，各评估模型的MSPE均小于0.1392kg2/d，R2均大于0.8281，同时发现，构建的BP、DNN神经网络模型评估效果更好，更适用于进行奶牛采食量评估研究，其中，DNN神经网络模型略优，但模型复杂度高，而BP模型结构简单、易于训练，因此，可通过算法优化网络结构进而达到提升模型评估精度的目的。
　　(3)改进的BP神经网络算法评估模型构建:为进一步提升BP模型的评估精度，本文提出了采用学习率衰减优化BP神经网络、遗传算法优化BP神经网络以及粒子群算法优化BP神经网络的奶牛采食量评估方法，并通过模型评估值与牛场实测值对比分析发现:相较于传统BP神经网络，基于指数、自然指数、反时限以及多项式衰减学习率优化BP神经网络模型，其MSPE分别降低了0.18％、1.76％、1.59％、5.83％;遗传算法以及粒子群算法优化BP神经网络的MSPE分别降低了1.59％与11.30％，因此，本文所提出的优化方法均可提升BP神经网络性能，其中，粒子群算法优化BP神经网络方法相对其它方法，其实测值与评估值的变化趋势更加一致且评估误差最小，更能准确评估奶牛采食量变化。
　　综上所述，通过各评估模型的构建与评估效果的对比分析可知:基于各类机器学习的奶牛采食量评估模型均可对奶牛采食量进行评估，但本文所提出的基于粒子群算法优化BP神经网络方法更适合用于奶牛采食量的评估，其评估效果更好、精度更高，可为奶牛精准饲喂提供理论指导与技术支撑。