在奶牛现代化养殖中,人工监测存在耗时、费力、准确率低的问题,运用视频手段感知和监测奶牛行为对提高养殖效率具有重要意义。但奶牛视频存在数据量大、受环境影响严重、噪声干扰多等不利因素,利用智能化方法进行视频处理在技术上仍存在诸多困难,其中视频奶牛目标自动定位与提取、奶牛腿部小目标跟踪等具体技术亟待突破。本文利用图像与视频处理、机器学习、深度学习等技术手段,以规模化奶牛养殖场的荷斯坦奶牛为主要研究对象进行有针对性的研究,主要的研究内容及结论如下:（1）为实现大规模养殖场内奶牛目标的自动提取,将相关滤波算法融入目标提取基本框架,提出一种相关滤波融合边缘检测的奶牛目标提取算法（CFED）。首先利用颜色名称特征（CN）和方向梯度直方图特征（HOG）设计的相关滤波器获取奶牛目标范围,再利用13个不同方向的边缘滤波模板卷积目标范围图像得到图像边缘,最后融合边缘信息和颜色特征提取出奶牛目标。对奶牛场不同环境下的9段视频进行目标提取试验,结果表明,算法提取的目标与真实结果平均重叠率达到92.93%,较OTSU、k-means聚类、帧差法和高斯混合模型（GMM）分别高35.63、32.84、20.28、14.35个百分点,假阳性率和假阴性率分别为5.07%和5.08%。处理每帧平均耗时为0.70s。该结果表明,提出的CFED算法具有较好的目标检测能力,可为奶牛目标准确快速提取提供一个有效方法。（2）为实现大规模养殖场内奶牛腿部的自动跟踪和监测,本文提出一种融合注意力机制的孪生网络跟踪算法（Siam-AM）。首先,在视频首帧中提取奶牛腿部的特征,后续帧中的搜索区域也输入到此网络中提取特征,再经过注意力模块对特征进行权重分配,比较不同区域与首帧图像特征的相似度,取相似度最大者作为预测的奶牛腿部位置。试验采集了奶牛侧面行走视频60个,利用Labelimg软件制作奶牛腿部的跟踪数据集,利用该数据集和迁移学习算法进行网络训练,使其能够自动学习奶牛腿部的外观和运动特性。在10个测试视频上的试验结果显示,Siam-AM算法的平均跟踪精度达93.80%,较全卷积孪生网络（Siam FC）和核相关滤波算法（KCF）分别高4.63、25.27个百分点,且平均帧率达到57fps,达到端对端高精度实时跟踪奶牛腿部的目的,为奶牛腿部的准确跟踪、步态检测提供有效方法。（3）针对奶牛跛行检测精度低、自动化属性不高的问题,将奶牛腿部跟踪得到的腿部坐标作为跛行检测的分类器的特征输入,然后通过SVM方法对试验视频进行跛行检测。在试验视频上的结果表明,SVM分类器的准确率达到96.21%,数据高于BP分类器的94.67%、KNN分类器的93.28%和决策树分类器的91.35%。SVM分类器的真正例率为95.14%,比BP神经网络算法、KNN算法和决策树算法分别高出0.63%、1.91%和4.45%,SVM分类器的假正例率为6.28%,比BP神经网络算法、KNN算法和决策树算法分别低0.86%、3.39%和4.25%。因此,奶牛的腿部特征可以用于奶牛跛行行为的准确检测。