集约化养鸡场主要采用层叠式立体笼养模式,该模式占地面积小,空间利用率高,容易实现集约化和规模化饲养。在层叠立体鸡只养殖场中,每天约有万分之一到万分之二的鸡只死亡,且大多数鸡只分散隐藏在笼内,在进行死鸡巡检过程中,工人需多次攀爬扶梯,劳动强度大且工作简单机械重复。随着我国蛋鸡养殖产业整体管理水平不断提高,鸡舍机械化和自动化程度逐年提升,如何更好的提高鸡场工作人员的养殖技术和管理水平,降低劳动强度已经成为蛋鸡养殖中急需解决的问题。为了提高劳动效率,提升自动化养殖水平,本文针对层叠式立体笼养模式提出了一种基于鸡头红外热成像图的死鸡和活鸡分类方法。主要工作如下:（1）选用红外热像仪采集笼内鸡只头部红外热成像图,对死鸡和活鸡头部的颜色、形状信息进行分析,使用50*50的窗口截取图像中死鸡和活鸡的鸡头图像,完成了鸡头红外热成像图像样本集的搭建。通过平均值法将彩色空间的红外鸡头图像转化为灰度图像,针对红外鸡头图像存在的噪声采用中值滤波和闭运算做图像平滑处理,使用Gamma运算和线性运算增强图像对比度,最后通过大津阈值法完成图像分割。（2）采用形态和颜色相融合的鸡头特征提取方法,将鸡头图像中延伸度、圆形度、紧凑度、矩形度4个形态特征和最大灰度值、灰度值均值、灰度直方图平均值、熵、能量、二阶矩和三阶矩7个颜色特征进行了提取。利用XGBoost算法根据特征重要性得分对所提取的冗余特征进行筛选,筛选出了延伸度、圆形度、矩形度、图像灰度值均值、直方图灰度值均值和二阶矩6个特征变量。（3）利用决策树、支持向量机和BP神经网络分别对鸡头单形态特征、单颜色特征和形态颜色融合特征进行了分类。结果表明:基于筛选后形态颜色融合特征的BP神经网络模型分类效果最好,准确率为92.72%、精确率为92.45%、召回率为93.04%、调和平均数F1为92.74%。说明了基于鸡头红外热成像图的死鸡和活鸡分类方法具有可行性。