规模化、标准化、系统化、智能化、精准化的养殖与管理方式是当前畜牧业、养殖业中最具实用性与前瞻性的发展趋势。近年来在奶牛养殖业中已经逐渐形成高度规模化、标准化的形式,但是在智能化和精准化的养殖与管理方面仍处于初步阶段,其原因在于基础任务奶牛的精准定位与识别仍处于研究阶段。传统的识别方法、电子设备方法与生物特征方法无法满足这个基础任务的需求,因此本文以奶牛牛脸图像数据为对象,采用重识别方法,构建深度学习网络模型对奶牛身份识别任务进行研究。具体工作内容如下:（1）基于不同的图像采集设备（如手机、数码相机等）从不同角度、不同养殖环境收集到的大量原始奶牛图像数据,经过初步清洗筛选、牛脸提取、清洗压缩、牛脸图片分类、数据划分等一系列处理构成本文使用的奶牛牛脸数据集。此外,在该数据集构建过程中设计了一个人工提取与网络模型提取结合的牛脸图片提取方法,以及一个网络模型对牛脸类别粗分类后再人工检查的方法。该数据集总共包含130000张图片,其中训练集包含2000类,各类50张图片;测试集包含另外的1000类,查询集各类10张图片,图库集各类20张图片。（2）使用当前主流的一般识别网络进行微调后的网络模型,以及当前主流的一些重识别方法,在本文构建的数据集上进行训练后进行重识别实验测试检验,并对比分析这些实验结果,总结这些网络的结构特点与其性能优点所在,为后续网络改进做准备。其中,在这些方法与网络模型中,多粒度分支网络MGN（Multiple GranularityNetwork）识别性能最优,在各类图片数量只有一张的图库集上达到86.9%的Rank-1准确率以及90.8%的mAP。（3）综合上述实验中使用网络的特点和优点,本文提出一个全局特征与局部特征相结合的网络GPN（Global and PartNetwork）。该网络以ResNet作为主干网络,拥有三个分支,分别是提取主干网络的中间维度的全局特征的Middle分支、提取通过整个主干网络的高维度的全局特征的Global分支、以及使用均匀划分提取大小统一分块的局部特征的Part分支,并以这三个分支提取的特征相结合作为用于重识别比对的特征表达。实验结果表明,该网络在各类图片数量只有一张的图库集上达到87.2%的Rank-1准确率以及89.1%的mAP。（4）在本文提出的GPN的Part分支上做进一步的改进,构建GPN-ST（Global and PartNetwork with Spatial Transform）网络。该网络以注意力机制的STN模块替代原本的均匀划分的方法,设置4个STN（Spatial TransformerNetwork）模块去提取牛脸的不同局部特征信息,以提升网络的重识别性能。同样地以在实验测试中的各类图片数量只有一张的图库集的结果作为对比,GPN-ST在Rank-1准确率以及mAP上的表现比GPN分别高出了2.8%与2.2%。